Question

我正在使用Keras Sequential模型来训练多个多类分类器。

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元组中，并将该元组写入pickle中，但这看起来并不优雅。

Answer 1

所以我自己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，那么就做。

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()

Answer 2

可以在keras模型中直接保存标签的“列表”。您需要使用lambda。您只需将lambda的输出替换为包含标签的字符串张量即可。这是一个虚拟的示例，说明如何执行标签的“注入”

# 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。 tf.tile的所有这些混乱都是必要的，因为形状（N）的角膜层实际上是形状（？，N）的tf张量，我们加上这个？标签张量的尺寸。

将类标签附加到Keras模型

2 个答案: