【问题标题】:How to get text Prediction accuracy from the saved model"如何从保存的模型中获得文本预测准确性"
【发布时间】:2019-10-17 18:46:26
【问题描述】:

tensorflow、html 的新手,在文本分类方面表现不佳。

我正在尝试检测文本的正负极性。在浏览器中针对否定和肯定类手动过滤文本(句子)训练模型,并将其保存在 .JSON 和 .BIN 文件中。

async function saveFile(){ const saveResults = await model.save('downloads://my-model-1');}

通过用户输入加载文件

async function loadFile(){ const jsonUpload = document.getElementById('json-upload'); const weightsUpload = document.getElementById('weights-upload'); 
const model = await tf.loadModel(tf.io.browserFiles([jsonUpload.files[0], weightsUpload.files[0]]));
model.compile({loss: "categoricalCrossentropy", optimizer: "adam", metrics:'accuracy'});
model.summary();
}

summary of model loaded, trained and saved from small portion of data

卡在重新创建模型中(错误:未捕获的类型错误:无法构建顺序模型:模型为空。先添加一些层。)

我需要做的是加载模型,这个模型应该预测用户输入文本的极性为负/正,检测精度。

任何人都可以帮助详细一点,学习它但无法通过https://www.tensorflow.org/js的教程获得它

型号

// Define a model
        model = tf.sequential();
        console.log(sequence_length);
        //Add layers to model
        model.add(tf.layers.embedding({
        inputDim: vocabulary_size,
        outputDim: embedding_dim,
        inputLength: sequence_length,
        trainable: true
        }));
        addCLayers();
        model.add(tf.layers.dropout ({rate:0.2}));
        model.add(tf.layers.flatten());
        model.add(tf.layers.dense({units: 100, activation: 'sigmoid'}));
        model.add(tf.layers.dense({units: 1000, activation: 'sigmoid'}));
        model.add(tf.layers.dense({units: 100, activation: 'sigmoid'}));
        model.add(tf.layers.dense({units: 2, activation: 'softmax'}));

【问题讨论】:

  • 加载后不需要编译模型。

标签: python tensorflow machine-learning text-classification tensorflow.js


【解决方案1】:

我相信我看到了两个问题。

首先,您使用的是loadModel,它已被弃用。你很快就会想切换到loadLayersModel。这也可以接受 IOHandler,就像您当前正在使用的一样。

第二件事是你需要在保存之前编译模型。我看到您正在加载然后尝试编译。加载后应该不需要编译。但是,您可以加载无层模型。

在保存之前确保您的模型信誉良好。这似乎是问题所在。

【讨论】:

    猜你喜欢
    • 2021-10-18
    • 2015-05-21
    • 1970-01-01
    • 2021-05-05
    • 2017-08-07
    • 2018-05-05
    • 1970-01-01
    • 2019-09-20
    • 2018-10-18
    相关资源
    最近更新 更多