Question

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; .h.h＆＃39;文件。

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。

问题：对于前400-500个输入，预测无法正常工作，其余的工作完全正常，而且val_loss非常低。

案例1：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。

案例2：如果我直接在创建的模型上应用model.predict，而不是保存然后重新读取，所有输出都准确无误。

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.此外，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）

Answer 1

您的问题似乎来自于丢失细胞的隐藏状态。在模型构建期间，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网络的states：

如何保存？（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here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，例如类构造函数方法。

在加载保存的Keras序列模型时，我的测试数据在开始时提供的精度较低

1 个答案: