首页 文章

在加载保存的Keras序列模型时，我的测试数据在开始时提供低精度

提问于
浏览 次
1

我正在创建一个简单的顺序Keras模型，它将在100个批次中获取10k个输入 . 每个输入有3列，相应的输出是该行的总和 .

顺序模型有2层-LSTM（Stateful = true），Dense .

现在，在编译和拟合模型之后，我将其保存在“model.h5”文件中 .

然后，我读取保存的模型，并使用测试数据（size = 10k，batch_size = 100）调用model.predict .

Problem: 对于前400-500个输入，预测不能正常工作，其余的预测在val_loss非常低的情况下工作得非常好 .

Case1: 我使LSTM层无状态（即Stateful = False）在这种情况下，Keras为所有测试数据提供非常准确的输出 .

Case2: 如果我直接在创建的模型上应用model.predict，而不是保存然后再次读取，所有输出都准确到位 .

但是，我需要Stateful = True，而且，我想保存我的模型，然后稍后恢复该模型的工作 .

1.有什么方法可以解决这个问题吗？

2.另外，当我提供测试数据时，模型的准确度如何提高？ （因为前400-500次测试提供的结果不准确，其余测试非常准确）

python-2.7 tensorflow neural-network keras

1 回答

  • 1

    您的问题似乎来自于丢失细胞的隐藏状态 . 在建模期间，它们可能会被重置，这可能会导致问题 .

    所以（这有点麻烦），但你可以保存并加载你的网络 states ：

    • 怎么保存？ （假设 i-th 图层是 recurrent 图层）：
    hidden_state = model.layers[i].states[0].eval()
cell_state = model.layers[i].states[0].eval()

numpy.save("some name", hidden_state)
numpy.save("some other name", cell_state)
    • 现在，当您可以重新加载隐藏状态时，您可以阅读如何在图层中设置隐藏状态 .

    当然 - 最好将所有这些方法打包在某种物体中，例如类构造方法 .

    回复于

相关问题