點(diǎn)擊上方藍(lán)字關(guān)注我們

上次筆者給大家介紹了如何訓(xùn)練主機(jī)健康度數(shù)據(jù)并如何介紹了如何優(yōu)化主機(jī)健康度的LSTM模型。本次分享給大家介紹如何在訓(xùn)練完成之后對模型的保存及調(diào)用相關(guān)問題。

本次介紹主要包括：

Keras是用于深度學(xué)習(xí)的簡單而強(qiáng)大的Python庫。鑒于深度學(xué)習(xí)模型需要花費(fèi)數(shù)小時，數(shù)天甚至數(shù)周的訓(xùn)練時間，因此了解如何從磁盤保存和加載它們非常重要。在本文中，您將發(fā)現(xiàn)如何將Keras模型保存到文件中并再次加載它們以進(jìn)行預(yù)測。

接下來我們來保存模型權(quán)重數(shù)據(jù)為H5形式的格式內(nèi)容。

環(huán)境安裝

首先，確認(rèn)您已安裝最新版本的Keras。注意：保存模型需要安裝h5py庫。您可以按照以下步驟輕松安裝它：

Sudopip install h5py

保存模型權(quán)重和架構(gòu)

Keras保存模型及訓(xùn)練數(shù)據(jù)十分簡單，是用模型權(quán)重和模型體系結(jié)構(gòu)一起保存到單個H5文件中。

以這種方式保存模型包括我們需要了解的有關(guān)模型的所有信息，包括：

模型權(quán)重。

模型架構(gòu)。

模型編譯詳細(xì)信息（損失和指標(biāo)）。

模型優(yōu)化器狀態(tài)。

這意味著我們可以直接加載和使用模型，而不必像訓(xùn)練數(shù)據(jù)時那樣重新去編譯它。（注意：這是保存和加載Keras模型的首選方法）

保存Keras模型

您可以通過在模型上調(diào)用save（）函數(shù)并指定文件名來保存模型。下面的示例只關(guān)于構(gòu)建模型部分代碼，完整訓(xùn)練需要查看上次訓(xùn)練數(shù)據(jù)分享文章，評估模型并將其保存到文件model.h5來演示這一點(diǎn)。

訓(xùn)練完成之后，在訓(xùn)練腳本當(dāng)前路徑下既會出現(xiàn)當(dāng)前模型保存的h5格式模型文件。

在模型訓(xùn)練完成并保存成功之后，我們即可對該模型的文件進(jìn)行調(diào)用，并預(yù)測出新的數(shù)據(jù)結(jié)果。

首先，我們根據(jù)訓(xùn)練模型，根據(jù)訓(xùn)練數(shù)據(jù)的模型，封裝好調(diào)用數(shù)據(jù)進(jìn)行調(diào)用，并對實(shí)時數(shù)據(jù)用歸一化處理數(shù)據(jù)。處理完成之后對實(shí)時數(shù)據(jù)進(jìn)行歸一化處理。然后打印出預(yù)測結(jié)果。

我們隨機(jī)提取訓(xùn)練數(shù)據(jù)中的某連續(xù)三個小時數(shù)據(jù)進(jìn)行測試后發(fā)現(xiàn)，預(yù)測結(jié)果與實(shí)際數(shù)據(jù)相差比較大。后面通過debug后發(fā)現(xiàn)預(yù)測數(shù)據(jù)在進(jìn)行數(shù)據(jù)歸一化處理是，數(shù)據(jù)縮放只會對輸入的實(shí)時數(shù)據(jù)進(jìn)行縮放，而不是通過對訓(xùn)練樣本中的數(shù)據(jù)進(jìn)行縮放，所以導(dǎo)致預(yù)測結(jié)果和實(shí)際結(jié)果相差較大。

經(jīng)過查閱相關(guān)資料，終于了解了在Keras中，對歸一化的數(shù)據(jù)也在訓(xùn)練中可以進(jìn)行保存。以便在后續(xù)的調(diào)用腳本中使用。

保存、加載數(shù)據(jù)縮放器

我們可以在訓(xùn)練模型時將數(shù)據(jù)縮放器通過dump保存下來，

dump(scaler,open(scaler.pkl, wb))

然后在調(diào)用模型時，通過load方法加載出來數(shù)據(jù)縮放器。

為了確認(rèn)縮放器具有預(yù)期的效果，我們在應(yīng)用縮放之前和之后都報告每個輸入功能的最小值和最大值。然后，該模型對測試集中的示例進(jìn)行預(yù)測，并計算分類準(zhǔn)確性。在這種情況下，正如預(yù)期的那樣，數(shù)據(jù)集正確歸一化后，模型在測試集上的準(zhǔn)確性達(dá)到了95％以上。