Question

我根据我在互联网上找到的示例代码进行培训。测试的准确率为92％，检查点保存在目录中。同时（培训现在运行3天）我想创建我的预测代码，这样我就可以学到更多而不仅仅是等待。

这是我深入学习的第三天，所以我可能不知道自己在做什么。以下是我试图预测的方式：

使用与培训相同的代码实例化模型
加载最后一个检查点
尝试预测

代码有效，但结果不到90％。

以下是我创建模型的方法：

INPUT_LAYERS = 2
OUTPUT_LAYERS = 2
AMOUNT_OF_DROPOUT = 0.3
HIDDEN_SIZE = 700
INITIALIZATION = "he_normal"  # : Gaussian initialization scaled by fan_in (He et al., 2014)
CHARS = list("abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ .")

def generate_model(output_len, chars=None):
    """Generate the model"""
    print('Build model...')
    chars = chars or CHARS
    model = Sequential()
    # "Encode" the input sequence using an RNN, producing an output of HIDDEN_SIZE
    # note: in a situation where your input sequences have a variable length,
    # use input_shape=(None, nb_feature).
    for layer_number in range(INPUT_LAYERS):
        model.add(recurrent.LSTM(HIDDEN_SIZE, input_shape=(None, len(chars)), init=INITIALIZATION,
                         return_sequences=layer_number + 1 < INPUT_LAYERS))
        model.add(Dropout(AMOUNT_OF_DROPOUT))
    # For the decoder's input, we repeat the encoded input for each time step
    model.add(RepeatVector(output_len))
    # The decoder RNN could be multiple layers stacked or a single layer
    for _ in range(OUTPUT_LAYERS):
        model.add(recurrent.LSTM(HIDDEN_SIZE, return_sequences=True, init=INITIALIZATION))
        model.add(Dropout(AMOUNT_OF_DROPOUT))

    # For each of step of the output sequence, decide which character should be chosen
    model.add(TimeDistributed(Dense(len(chars), init=INITIALIZATION)))
    model.add(Activation('softmax'))

    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

在单独的文件predict.py中，我导入此方法以创建我的模型并尝试预测：

...import code
model = generate_model(len(question), dataset['chars'])
model.load_weights('models/weights.204-0.20.hdf5')

def decode(pred):
    return character_table.decode(pred, calc_argmax=False)


x = np.zeros((1, len(question), len(dataset['chars'])))
for t, char in enumerate(question):
    x[0, t, character_table.char_indices[char]] = 1.

preds = model.predict_classes([x], verbose=0)[0]

print("======================================")
print(decode(preds))

我不知道问题所在。我的目录中有大约90个检查点，我根据准确性加载最后一个检查点。所有这些都由ModelCheckpoint保存：

checkpoint = ModelCheckpoint(MODEL_CHECKPOINT_DIRECTORYNAME + '/' + MODEL_CHECKPOINT_FILENAME,
                         save_best_only=True)

我被困住了。我做错了什么？

Answer 1

在您提供的回购中，培训和验证语句在被送入模型之前被反转（通常在seq2seq学习中完成）。

dataset = DataSet(DATASET_FILENAME)

如您所见，inverted的默认值为True，问题已反转。

class DataSet(object):
    def __init__(self, dataset_filename, test_set_fraction=0.1, inverted=True):
        self.inverted = inverted

    ...

        question = question[::-1] if self.inverted else question
        questions.append(question)

您可以尝试在预测期间反转句子。具体地，

x = np.zeros((1, len(question), len(dataset['chars'])))
for t, char in enumerate(question):
    x[0, len(question) - t - 1, character_table.char_indices[char]] = 1.

Answer 2

在predict.py文件中生成模型时：

model = generate_model(len(question), dataset['chars'])

是您的第一个参数与培训文件中的相同吗？或问题长度是动态的？如果是这样，您将生成不同的模型，因此您保存的检查点不起作用。

Answer 3

它可能是传递的数组/ df的维数不匹配您调用的函数所期望的。当被调用方法预期单个维度时，请尝试ravel关于您期望的单个维度

加载已保存的检查点并预测不会产生与训练相同的结果

3 个答案: