（六） Keras 模型保存和RNN簡單應用

視頻學習來源

https://www.bilibili.com/video/av40787141?from=search&seid=17003307842787199553

筆記

RNN用於圖像識別並不是很好

模型保存（結構和參數）

1 需要安裝h5py

pip install h5py

2在代碼最后一行

model.save(‘model.h5’)

即可在當前目錄保存HDF5文件

模型載入

1開頭導入包

from keras.models import load_model

2導入模型

model=load_model(‘model.h5’)

模型載入后可接着訓練

model.fit(x_train,y_train,batch_size=64,epochs=2)

只保存參數

model.save_weights(‘weights.h5’)

model.load _weights(‘weights.h5’)

只保存網絡結構

from keras.models import model_from_json

json_string=model.to_json()

model=model_from_json(json_string)

import numpy as np
from keras.datasets import mnist  #將會從網絡下載mnist數據集
from keras.utils import np_utils
from keras.models import Sequential  #序列模型
from keras.layers import Dense
from keras.layers.recurrent import SimpleRNN #keras中三種RNN SimpleRNN,LSTM,GRU
from keras.optimizers import Adam

# 數據長度，一行有28個像素
input_size=28
# 序列長度，一共有28行
time_steps=28
# 隱藏層cell個數
cell_size=50


#載入數據
(x_train,y_train),(x_test,y_test)=mnist.load_data()
#查看格式
#（60000,28,28）
print('x_shape:',x_train.shape)
#（60000）
print('y_shape:',y_train.shape)



#格式是（60000,28,28）
#格式是樣本數，time_steps（序列長度），input_size（每一個序列的數據長度）
#如果數據是（60000,784）需要轉成（60000,28,28）
#除以255是做數據歸一化處理
x_train=x_train/255.0 #轉換數據格式
x_test=x_test/255.0 #轉換數據格式
#label標簽轉換成 one  hot 形式
y_train=np_utils.to_categorical(y_train,num_classes=10) #分成10類
y_test=np_utils.to_categorical(y_test,num_classes=10) #分成10類

#定義序列模型
model=Sequential()

#循環神經網絡
#一個隱藏層
model.add(SimpleRNN(
    units=cell_size,  #輸出
    input_shape=(time_steps,input_size), #輸入
))

#輸出層
model.add(Dense(10,activation='softmax'))



#定義優化器
#學習速率為10的負4次方
adam=Adam(lr=1e-4)


#定義優化器，損失函數，訓練效果中計算准確率
model.compile(
    optimizer=adam, #sgd優化器
    loss='categorical_crossentropy',  #損失用交叉熵，速度會更快
    metrics=['accuracy'],  #計算准確率
)

#訓練
#六萬張，每次訓練64張，訓練10個周期（六萬張全部訓練完算一個周期）
model.fit(x_train,y_train,batch_size=64,epochs=10)

#評估模型
loss,accuracy=model.evaluate(x_test,y_test)

print('\ntest loss',loss)
print('\ntest accuracy',accuracy)

loss,accuracy=model.evaluate(x_train,y_train)

print('\ntrain loss',loss)
print('\ntrain accuracy',accuracy)

x_shape: (60000, 28, 28)
y_shape: (60000,)
Epoch 1/10
60000/60000 [==============================] - 9s 145us/step - loss: 1.6191 - acc: 0.4629
Epoch 2/10
60000/60000 [==============================] - 9s 156us/step - loss: 0.9580 - acc: 0.7103
Epoch 3/10
60000/60000 [==============================] - 6s 101us/step - loss: 0.7064 - acc: 0.7934
Epoch 4/10
60000/60000 [==============================] - 8s 141us/step - loss: 0.5749 - acc: 0.8344
Epoch 5/10
60000/60000 [==============================] - 8s 128us/step - loss: 0.4999 - acc: 0.8550
Epoch 6/10
60000/60000 [==============================] - 6s 102us/step - loss: 0.4503 - acc: 0.8689
Epoch 7/10
60000/60000 [==============================] - 6s 99us/step - loss: 0.4130 - acc: 0.8808
Epoch 8/10
60000/60000 [==============================] - 6s 95us/step - loss: 0.3838 - acc: 0.8891
Epoch 9/10
60000/60000 [==============================] - 6s 96us/step - loss: 0.3597 - acc: 0.8969
Epoch 10/10
60000/60000 [==============================] - 6s 96us/step - loss: 0.3408 - acc: 0.9020
10000/10000 [==============================] - 1s 73us/step

test loss 0.3126664091944695

test accuracy 0.91
60000/60000 [==============================] - 4s 67us/step

train loss 0.326995205249389

train accuracy 0.9060166666666667