将类标签附加到Keras模型-Java 学习之路

我正在使用Keras Sequential模型来训练许多多类分类器 .

在评估时，Keras输出置信度向量，我可以使用argmax推断出正确的类ID . 然后我可以使用查找表来接收实际的类标签（例如字符串） .

到目前为止，解决方案是加载训练的模型，然后单独加载查找表 . 由于我有很多分类器，我宁愿将两个结构保存在一个文件中 .

所以我正在寻找的是一种将实际标签查找向量集成到Keras模型中的方法 . 这将允许我有一个分类器文件，它能够获取一些输入数据并返回该数据的正确类标签 .

解决这个问题的一种方法是将模型和查找表存储在一个元组中，并将该元组写入一个pickle，但这似乎并不优雅 .

2 回答

所以我亲自尝试了一个解决方案，这似乎有效 . 我希望有更简单的东西 .

我认为第二次打开模型文件并不是最佳选择 . 如果有人能做得更好，无论如何都要做 .

import h5py

from keras.models import load_model
from keras.models import save_model


def load_model_ext(filepath, custom_objects=None):
    model = load_model(filepath, custom_objects=None)
    f = h5py.File(filepath, mode='r')
    meta_data = None
    if 'my_meta_data' in f.attrs:
        meta_data = f.attrs.get('my_meta_data')
    f.close()
    return model, meta_data


def save_model_ext(model, filepath, overwrite=True, meta_data=None):
    save_model(model, filepath, overwrite)
    if meta_data is not None:
        f = h5py.File(filepath, mode='a')
        f.attrs['my_meta_data'] = meta_data
        f.close()

回复于 2024-04-20T06:31:17+08:00

可以直接在keras模型中保存标签的“列表” . 你需要使用lambda . 您只需使用包含标签的字符串张量替换lambda的输出 . 这是一个如何执行标签“注入”的虚拟示例

# assume we get labels as list
labels = ["cat","dog","horse","tomato"]
# here we start building our model with input image 299x299 and one output layer
xx = Input(shape=(299,299,3))
flat = Flatten()(xx)
output = Dense(shape=(4))(flat)
# here we perform injection of labels
tf_labels = tf.constant([labels],dtype="string")
# adding ? dimension to tf tensor
tf_labels = tf.tile(labels,[tf.shape(xx)[0],1])
output_labels = Lambda(lambda x: tf_labels,name="label_injection")(xx)
#and finaly creating a model
model=tf.keras.Model(xx,[output,output_labels])

此模型现在存储标签并返回它们 . 所有这些与tf.tile的混乱都是必要的，因为形状（N）的keras层实际上是形状（？，N）的tf张量，我们加上这个？标签张量的维度 .

回复于 2024-04-20T06:31:17+08:00

将类标签附加到Keras模型

2 回答

相关问题