Question

在keras API中将模型（先前已处理）加载到LSTM网络时，它是否会在网络中包含训练数据（显式）？

如果没有，那么（加载模型）如何帮助预测时间序列中的模式。

Answer 1

from keras.models import Sequential
from keras_contrib.losses import import crf_loss
from keras_contrib.metrics import crf_viterbi_accuracy

# To save model
model.save('my_model_01.hdf5')

# To load the model
custom_objects={'CRF'                 : CRF,
              'crf_loss'            : crf_loss,
              'crf_viterbi_accuracy': crf_viterbi_accuracy}

# To load a persisted model that uses the CRF layer 
model1 = load_model("/home/abc/my_model_01.hdf5", custom_objects = custom_objects)

Answer 2

因为任何神经网络（CNN，LSTM或其他）的目标是从火车数据（计算轮数）中学习并推广到任何数据（同一问题）。所以你只需要加载网络和轮廓的架构。

在keras中，简单的方法是使用以下方式保存/加载架构和轮次：

model.save('my_model.hdf5')

model.load('my_model.hdf5')

Answer 3

将模型（先前已处理）加载到LSTM网络中 keras API会在网络中包含训练数据（显式）吗？

否model.save()旨在排除已保存文件中的培训数据。大多数情况下，在训练预测后保存模型。在预测案例中，您不再需要原始数据，因为模型基于训练的权重进行预测，这些权重与模型一起保存，这基本上是定义模型的图层列表。 model.summary()描述了keras对模型的了解非常好。

如果没有，这将如何（负载模型）有助于预测模式在时间序列中。

model.save()基本保存两件事：

您的模型（基本上是图层对象及其关系）
属于模型中每个图层的权重。

模型的权重是您的培训的产物，是＆＃34;知识＆＃34;您的模型在培训期间实现，这是预测新样本所必需的。

在keras中加载模型

3 个答案: