深い学習モデルを使用する場合は、確かに、必要に応じて直接呼び出し、何の再訓練訓練を受けたモデルの下で保存されることを願っていません
まず、ローカルにモデルを保存
オートエンコーダの例では、データセットのノイズ除去mnist。追加:
FILE_PATH = " MNIST_data /重み-improvement- {エポック:02D} - {val_loss:.2f} .hdf5 "
tensorboard = TensorBoard(LOG_DIR = ' / TMP / TB '、histogram_freq = 0、write_graph = False)が チェックポイント = ModelCheckpoint(ファイルパス= FILE_PATH、冗長= 1、モニター= ' val_loss '、save_weights_only = Falseを、モード= ' オート' save_best_only =真、期間= 1 )
autoencoder.fit(x_train_noisy、x_train、 エポック = 100 、 BATCH_SIZE = 128 、 シャッフル =真、 validation_data = (x_test_noisy、x_test)、 コールバック = [チェックポイント、tensorboard])
ここでtensorboardとチェックポイントです
1、tensorboard視覚化ツールを有効にする、端末は新しいtensorboardを使用 - -logdir = / TMP / TBコマンド
2、次のように、時にリフトモデル時間を節約し、パラメータがval_lossを観察するように設定されているModelCheckpoint MNIST_data /フォルダを、保存します
第二に、モデルはローカルから読み込まれます
モデルの仮定を読んだ後に3枚の写真を使用して実験をノイズ除去ん:( pic_numを変更)
import os import numpy as np from warnings import simplefilter simplefilter(action='ignore', category=FutureWarning) import matplotlib.pyplot as plt from keras.models import Model,Sequential,load_model from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D from keras.preprocessing.image import ImageDataGenerator,img_to_array, load_img from keras.callbacks import TensorBoard , ModelCheckpoint print("_________________________keras start_____________________________") pic_num = 3 base_dir = 'MNIST_data' #基准目录 train_dir = os.path.join(base_dir,'my_test') #train目录 validation_dir="".join(train_dir) test_datagen = ImageDataGenerator(rescale= 1./255) validation_generator = test_datagen.flow_from_directory(validation_dir, target_size = (28,28), color_mode = "grayscale", batch_size = pic_num, class_mode = "categorical")#利用test_datagen.flow_from_directory(图像地址,目标size,批量数目,标签分类情况) for x_train,batch_labels in validation_generator: break x_train = np.reshape(x_train, (len(x_train), 28, 28, 1)) y_train = x_train # create model model = load_model('MNIST_data/my_model.hdf5') model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) print("Created model and loaded weights from file") # estimate accuracy on whole dataset using loaded weights y_train=model.predict(x_train) n = pic_num for i in range(n): ax = plt.subplot(2, n, i+1) plt.imshow(x_train[i].reshape(28, 28)) plt.gray() ax.get_xaxis().set_visible(False) ax.get_yaxis().set_visible(False) ax = plt.subplot(2, n, i+1+n) plt.imshow(y_train[i].reshape(28, 28)) plt.gray() ax.get_xaxis().set_visible(False) ax.get_yaxis().set_visible(False) plt.show()
迭代67次效果: