学习目标：

掌握利用Keras评估神经网络性能的方法
掌握利用Keras保存与加载神经网络模型的方法

学习内容：

对cifar10数据库（10类），做如下实验：

利用回调(callbacks)，设置ModelCheckpoint，把训练过程中对验证集分类精度最高的模型保存为.h5格式的文件，并且另写一个.py文件，不用重新训练模型，直接读取.h5文件和测试数据计算识别率。
利用回调(callbacks)，记录TensorBoard类的日志，并且在浏览器可视化训练过程。
保存整个模型和权重，并在另外一个.py文件中读取出来，然后对测试样本分类。

学习过程：

准确率为0.3968

另一个.py文件读取模型：

准确率也为0.3968

2.查看记录TensorBoard类的日志：

时间序列：

准确率为0.3968

读取模型：

能读取出刚刚保存的模型的权重；

源码：

总的源码：

# In[1]:读取cifar10数据集
from keras.datasets import cifar10
from keras import utils
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
y_train=utils.to_categorical(y_train,num_classes=10) #
y_test=utils.to_categorical(y_test,num_classes=10)  #
x_train,x_test = x_train/255.0, x_test/255.0 # In[2]:构造网络
from keras import Sequential,layers,optimizers
model = Sequential()
model.add(layers.Reshape((32*32*3,),input_shape=(32,32,3)))
model.add(layers.Dense(512, activation='relu',name='dense1'))
model.add(layers.Dense(10, activation='softmax',name='dense2'))
optimizer = optimizers.SGD(lr=0.001)
model.compile(optimizer,loss='categorical_crossentropy', metrics=['accuracy']) #分类交叉熵函数# In[4]:训练和测试
# TensorBoard 日志的路径要用 os.path.join 生成，不然在 windows 下会报错
import os
log_dir = os.path.join("logs")
if not os.path.exists(log_dir):os.mkdir(log_dir)from keras import callbacks
my_callbacks = [
# 每一代训练结束时保存验证集精度最高的模型的权重系数
callbacks.ModelCheckpoint(filepath='mymodel_{epoch:02d}.h5',monitor='val_accuracy',save_best_only=True),
callbacks.TensorBoard(log_dir=log_dir),
]# 保存模型
model_save_path = "model_file_path.h5"
model.save(model_save_path)
# 删除当前已存在的模型
del model
# 加载模型，不需要模型的定义代码，即可从.h5文件恢复整个模型，包括结构和权重
from keras.models import load_model
model = load_model(model_save_path) #加载模型# In[3]:
# 拟合模型
model.fit(x_train, y_train, validation_data=(x_test, y_test),batch_size=32, epochs=6, callbacks=my_callbacks)# In[5]:
# 读取checkpoint保存的权重，以继续训练或者测试
model.load_weights('mymodel_05.h5')
loss, accuracy = model.evaluate(x_test, y_test)
# val_accuracy: 0.9777# In[6]:
model.load_weights('model_file_path.h5')
loss, accuracy = model.evaluate(x_test, y_test)# In[获取模型在某一层的输出]:
from keras.models import Model
# 取某一层的输出为输出新建为model，采用函数模型
#dense1_layer_model = Model(inputs=model.input,outputs=model.get_layer('dense2').output)
dense1_layer_model = Model(inputs=model.input,outputs=model.get_layer('dense2').output)
# 以这个model的预测值作为输出
#x_test
#dense1_output = dense1_layer_model.predict(x_train)
dense1_output = dense1_layer_model.predict(x_test)
print(dense1_output.shape)
print(dense1_output)

第一小问：

#第一问
from keras.datasets import cifar10
from keras import utils
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
y_train=utils.to_categorical(y_train,num_classes=10)
y_test=utils.to_categorical(y_test,num_classes=10)
x_train,x_test = x_train/255.0, x_test/255.0#加载模型
from keras.models import load_model
model = load_model('mymodel_05.h5')loss, accuracy = model.evaluate(x_test, y_test)

第三小问：

第三小问：from keras.datasets import cifar10
from keras import utils
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
y_train=utils.to_categorical(y_train,num_classes=10)
y_test=utils.to_categorical(y_test,num_classes=10)
x_train,x_test = x_train/255.0, x_test/255.0#加载模型
from keras.models import load_model
model = load_model('model_file_path.h5')loss, accuracy = model.evaluate(x_test, y_test)

源码下载

学习产出：

能读出了模型的类别、总共有多少个测试样本和模型的权重。

人工智能--Keras网络评估相关推荐

人工智能--Keras网络训练
学习目标: 掌握Keras进行训练的方法掌握各种优化器和损失函数的特点学习内容: 对cifar10数据库(10类),做如下实验: 对比各种优化器的结果:分别选择SGD.Adam.RMSprop等优 ...
人工智能--Keras网络构建
学习目标: 掌握Keras构建网络的方法理解不同的激活函数学习内容: 对cifar10数据库(10类),做如下实验: 构建合适的全连接网络结构进行分类,并定义一个自定义的全连接层加入到网络中. 选 ...
人工智能在网络贷款中鲜为人知的事
作者 | Laksh Mohan 翻译| 火火酱~,责编 | 晋兆雨出品 | AI科技大本营头图 | 付费下载于视觉中国现在,科技已经成为推动企业发展壮大的基本要素之一.人工智能(AI)就是一个 ...
人工智能、网络空间对国家核安全的影响
来源:知远战略与防务研究所人工智能技术是一把双刃剑,其在网络空间和核领域的应用,一方面能够为网络安全和核安全提供技术保障:另一方面,人工智能技术也可能为对手所用,通过网络空间对核武器体系进行渗透进攻 ...
【转】人工智能在网络攻防领域的应用及问题分析
算法.数据与算力是人工智能发展的三大核心要素.近些年来,在算法增强.数据爆增及算力提升等多种有利因素的驱动下,人工智能飞速发展并在各行各业得到广泛应用,在网络空间安全领域也不例外.网络攻防对抗不断演化 ...
GAN网络评估指标：IS、FID、PPL
GAN网络评估指标:IS.FID.PPL 转自:IS.FID.PPL,GAN网络评估指标另外关于GAN的评价指标,推荐李宏毅老师的视频:[機器學習2021]生成式對抗網路 (Generative A ...
学会动态丨中国人工智能学会重磅发布《2018人工智能产业创新评估白皮书》
来源:中国人工智能学会摘要:<2018人工智能产业创新评估白皮书>由中国人工智能学会.国家工信安全中心.华夏幸福产业研究院.思保环球联合发布.白皮书聚焦人工智能的使能技术与应用场景两个层 ...
keras 自定义评估函数和损失函数loss训练模型后加载模型出现ValueError: Unknown metric function:fbeta_score
keras分类回归的损失函数与评价指标目标函数 (1)mean_squared_error / mse 均方误差,常用的目标函数,公式为((y_pred-y_true)**2).mean() (2) ...
cnn图像二分类 python_人工智能Keras图像分类器（CNN卷积神经网络的图片识别篇）...
上期文章我们分享了人工智能Keras图像分类器(CNN卷积神经网络的图片识别的训练模型),本期我们使用预训练模型对图片进行识别:Keras CNN卷积神经网络模型训练导入第三方库 from kera ...

人工智能--Keras网络评估

学习目标：

学习内容：

学习过程：

源码：

学习产出：

人工智能--Keras网络评估相关推荐

最新文章

热门文章