在 keras 中加载模型答案

【问题标题】：Load model in keras在 keras 中加载模型
【发布时间】：2018-11-07 18:20:29
【问题描述】：

当在 keras API 中将模型（之前处理过的）加载到 LSTM 网络中时，它会在网络中（显式地）包含训练数据吗？

如果不是，这将如何（加载模型）帮助预测时间序列中的模式。

【问题讨论】：

【解决方案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)

【讨论】：

【解决方案2】：

将模型（之前处理过的）加载到 LSTM 网络中时 keras API 是否会在网络中（显式）包含训练数据？

否 model.save() 旨在排除已保存文件中的训练数据。大多数情况下，您会在进行预测训练后保存模型。在预测情况下，您不再需要原始数据，因为模型根据与模型一起保存的训练权重进行预测，这基本上是定义模型的层列表。 model.summary()描述keras对模型的信息很好。

如果不是，这将如何（加载模型）帮助预测模式在时间序列中。

model.save()基本上省了两件事：

您的模型（基本上是图层对象及其关系）
属于模型中每一层的权重。

模型的权重是您训练的产物，是您的模型在训练期间获得的“知识”，这是预测新样本所必需的。

【讨论】：

很好地解释了@dennis-ec。还有一个疑问是验证数据重要还是测试数据重要，或者这两种数据都是训练所必需的？
训练需要验证数据。您需要一个独立的数据集来验证您的训练并确保您不会过度训练。因为您使用验证集确定训练的终点，所以它与训练并非完全无关。因此，为了在完全不相关的数据集上测试您的模型，您需要测试数据集。训练期间不得使用此数据集。

【解决方案3】：

因为任何神经网络（CNN、LSTM 或其他）的目标都是从训练数据中学习（计算重量）并泛化到任何数据（相同问题的）。所以你只需要加载网络的架构和重量。

在 keras 中，简单的方法是保存/加载架构和重量：

model.save('my_model.hdf5')

model.load('my_model.hdf5')

【讨论】：

非常感谢@Marcelo Queirós