我（有点像是初学者）正在时间序列数据应用程序上试验Keras，在其中创建了回归模型，然后将其保存以在其他Python脚本上运行。
我要处理的时间序列数据是小时数据，我正在Keras中使用保存的模型来预测数据集中每个小时的值。 （{bq --location=US load --source_format=DATASTORE_BACKUP --projection_fields="field1, field4, field2, field3" --replace mydataset.table gs://mybucket/2019-03-25T02:56:02_47688/default_namespace/kind_data/default_namespace_datakind.export_metadata
= CSV文件被读入了大熊猫）有了长达数年的时间序列数据，有8760（一年中的小时数）个预测，最后我尝试在最后求和这些预测的值。
在下面的代码中，我没有显示如何重新创建模型体系结构（已保存模型的keras要求），并且代码的运行速度非常慢。对于200次以下的预测，此方法似乎不错，但对于8760次的预测，该代码似乎停滞不前，以至于无法完成。
我对数据库没有任何经验，但是与将8760个keras预测存储在Python列表中相比，这是一种更好的方法吗？感谢您提供的任何提示，我仍在学习中。
data答案 0 :(得分：1)
似乎没有明显的理由让您的生活变得非常困难 ...
对于初学者来说，您不需要为每一行都加载模型-这太过分了！您应该将#set initial loop params & empty list to store modeled data
row_num = 0
total_estKwh = []
for i, row in data.iterrows():
params = row.values
if (params.ndim == 1):
params = np.array([params])
estimatedKwh = load_trained_model(weights_path).predict(params)
print('Analyzing row number:', row_num)
total_estKwh.append(estimatedKwh)
row_num += 1
df = pd.DataFrame.from_records(total_estKwh)
total = df.sum()
totalStd = np.std(df.values)
totalMean = df.mean()
循环中的load_trained_model(weights_path) 移出，类似
for，然后将循环中的相应行替换为
model = load_trained_model(weights_path) # load ONCE
第二，再次调用模型进行逐行预测仍然没有效率；最好先将estimatedKwh = model.predict(params)
准备为数组，然后将其输入模型以获取批量预测。也忘记了params语句。
总共，请尝试以下操作：
print