如何使用加载的 LSTM 注意力模型对输入进行预测？

Question

我是深度学习和 Keras 的完整初学者。我想建立一个分层的注意力网络，帮助将 cmets 分类为几个类别，即。有毒，剧毒等。我从一个开放的存储库中获取了代码并保存了模型。然后我使用 model_from_json 加载模型。现在我希望使用这个加载的模型对输入文本进行预测（作为 python 输入或单独的文件给出）。

这是我正在使用的代码：https://www.kaggle.com/sermakarevich/hierarchical-attention-network/notebook

然后我做了：

model_json = model.to_json()
with open("model.json", "w") as json_file:
    json_file.write(model_json)
model.save_weights("model.h5")
print("Saved model to disk")

然后在一个单独的文件中：

json_file = open('model.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json,custom_objects={'AttentionWithContext':AttentionWithContext})
loaded_model.load_weights("model.h5")
print("Loaded model from disk")

我正在完美地“从磁盘加载模型”。我想知道我需要输入的格式以及如何使用代码 sn-p 使用模型对其进行分类。由于我对此知之甚少，如果有人可以帮助我使用 python 特定代码使其工作，那将非常有帮助。

Answer 1

在进行预测时，请确保您也选择了分词器，否则输出将不正确。

    new = ["Your_text_that_you_want_to_check"]
    seq = tokenizer.texts_to_sequences(new)
    padded = pad_sequences(seq, maxlen=MAX_SEQUENCE_LENGTH)
    pred = model.predict(padded)

在预测时，将新文本转换为向量以训练模型非常重要。我已经将我的训练数据转换为序列，然后用零填充它，这样长度应该相同，并且我在预测时重复的步骤相同。但请确保您腌制您的 tokenzier。我希望它有帮助！如果您在理解这些步骤时遇到困难，请告诉我。