训练后的神经网络步骤

Question

我目前正在做一个关于神经网络的 11 年级学校项目。我已经设法用keras 创建了一个，但我不知道训练后该做什么。我的大问题是，我如何输入一个具有相同参数、相同权重、相同所有内容的训练数据的新数据集，但具有一组全新的数字。到目前为止，这是我的代码：

from keras.models import Sequential
from keras.layers import Dense
import numpy

seed = 6
numpy.random.seed(seed)

dataset = numpy.loadtxt("Neural_Network_Dataset.csv", delimiter=",")

X = dataset[:,0:6]
Y = dataset[:,11]

model = Sequential()
model.add(Dense(20, input_dim=6, init='uniform', activation='softmax'))
model.add(Dense(20, init='uniform', activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='Adam', metrics=['accuracy'])

model.fit(X, Y, epochs=100, batch_size=100,  verbose=2)


predictions = model.predict(X)
rounded = [round(x[0]) for x in predictions]
for a in range (len(rounded)):
    print (rounded[a])

#print(rounded)
print(predictions)

Test = str(input("Please enter the file name + file type"))
dataset = numpy.loadtxt(Test, delimiter=",")
w = dataset[:,0:6]
v = dataset[:,11]

model.fit(w, v, epochs=1, verbose=2)


predictions = model.predict(w)
rounded = [round(w[0]) for w in predictions]
print (rounded[a])

我们将不胜感激！

Answer 1

因此，将数据拆分为训练和测试的想法是能够查看您的模型是否作弊。它是否记住了它所看到的所有内容，或者它是否可以回答您提供的示例中没有的问题。

因此，示例是训练集，其中问题有解决方案，并且每次出现错误时您都可以纠正它。那就是训练。或者根据您的代码 - model.fit()。

一旦你教过它，事情就应该是这样的，现在不需要培训。是时候测试了。所以，不要 model.fit(w, v,..)。只是预测。并检查它产生的答案。那是样本外的性能或测试准确性。现在你知道它在过去没有见过的事情上的作用了。

希望对您有所帮助。

Answer 2

因此，如果我正确理解您的问题，您希望加载已训练网络的权重并训练新数据集或新图像集。

如果是这种情况，那么您必须首先在 keras 中使用 ModelCheckpoint 回调来在每个 epoch 之后保存模型。

from keras.callbacks import ModelCheckpoint
filepath = "model.h5"
checkpoint = ModelCheckpoint(filepath, monitor='loss', verbose=1, save_best_only=True, mode='min')
callbacks_list = [checkpoint]
model.fit(X, Y, epochs=100, batch_size=100,  verbose=2, callbacks=callbacks_list)

此回调将保存您的模型权重，您可以在预测或在新数据集上训练时加载它们

还有参数的问题，每次都要手动设置。 例如，在编译期间您必须设置所有参数。

由于权重文件是您为模型训练设置的所有参数的结果。