歡迎您光臨本站 註冊首頁

keras 模型參數,模型保存,中間結果輸出操作

←手機掃碼閱讀     zmcjlove @ 2020-07-07 , reply:0

我就廢話不多說了,大家還是直接看代碼吧~

  '''  Created on 2018-4-16  '''  import keras  from keras.models import Sequential  from keras.layers import Dense  from keras.models import Model  from keras.callbacks import ModelCheckpoint,Callback  import numpy as np  import tflearn  import tflearn.datasets.mnist as mnist    x_train, y_train, x_test, y_test = mnist.load_data(one_hot=True)  x_valid = x_test[:5000]  y_valid = y_test[:5000]  x_test = x_test[5000:]  y_test = y_test[5000:]  print(x_valid.shape)  print(x_test.shape)    model = Sequential()  model.add(Dense(units=64, activation='relu', input_dim=784))  model.add(Dense(units=10, activation='softmax'))  model.compile(loss='categorical_crossentropy',         optimizer='sgd',         metrics=['accuracy'])  filepath = 'D:machineTestmodel-ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5'  # filepath = 'D:machineTestmodel-ep{epoch:03d}-loss{loss:.3f}.h5'  checkpoint = ModelCheckpoint(filepath, monitor='val_loss', verbose=1, save_best_only=True, mode='min')  print(model.get_config())  # [{'class_name': 'Dense', 'config': {'bias_regularizer': None, 'use_bias': True, 'kernel_regularizer': None, 'batch_input_shape': (None, 784), 'trainable': True, 'kernel_constraint': None, 'bias_constraint': None, 'kernel_initializer': {'class_name': 'VarianceScaling', 'config': {'scale': 1.0, 'distribution': 'uniform', 'mode': 'fan_avg', 'seed': None}}, 'activity_regularizer': None, 'units': 64, 'dtype': 'float32', 'bias_initializer': {'class_name': 'Zeros', 'config': {}}, 'activation': 'relu', 'name': 'dense_1'}}, {'class_name': 'Dense', 'config': {'bias_regularizer': None, 'use_bias': True, 'kernel_regularizer': None, 'bias_initializer': {'class_name': 'Zeros', 'config': {}}, 'kernel_constraint': None, 'bias_constraint': None, 'kernel_initializer': {'class_name': 'VarianceScaling', 'config': {'scale': 1.0, 'distribution': 'uniform', 'mode': 'fan_avg', 'seed': None}}, 'activity_regularizer': None, 'trainable': True, 'units': 10, 'activation': 'softmax', 'name': 'dense_2'}}]  # model.fit(x_train, y_train, epochs=1, batch_size=128, callbacks=[checkpoint],validation_data=(x_valid, y_valid))  model.fit(x_train, y_train, epochs=1,validation_data=(x_valid, y_valid),steps_per_epoch=10,validation_steps=1)  # score = model.evaluate(x_test, y_test, batch_size=128)  # print(score)  # #獲取模型結構狀況  # model.summary()  # _________________________________________________________________  # Layer (type)         Output Shape       Param #    # =================================================================  # dense_1 (Dense)       (None, 64)        50240(784*64+64(b))     # _________________________________________________________________  # dense_2 (Dense)       (None, 10)        650(64*10 + 10 )      # =================================================================  # #根據下標和名稱返回層對象  # layer = model.get_layer(index = 0)  # 獲取模型權重,設置權重model.set_weights()  weights = np.array(model.get_weights())  print(weights.shape)  # (4,)權重由4部分組成  print(weights[0].shape)  # (784, 64)dense_1 w1  print(weights[1].shape)  # (64,)dense_1 b1  print(weights[2].shape)  # (64, 10)dense_2 w2  print(weights[3].shape)  # (10,)dense_2 b2    # # 保存權重和加載權重  # model.save_weights("D:xxxweights.h5")  # model.load_weights("D:xxxweights.h5", by_name=False)#by_name=True,可以根據名字匹配和層載入權重    # 查看中間結果,必須要先聲明個函數式模型  dense1_layer_model = Model(inputs=model.input,outputs=model.get_layer('dense_1').output)  out = dense1_layer_model.predict(x_test)  print(out.shape)  # (5000, 64)    # 如果是函數式模型,則可以直接輸出  # import keras  # from keras.models import Model  # from keras.callbacks import ModelCheckpoint,Callback  # import numpy as np  # from keras.layers import Input,Conv2D,MaxPooling2D  # import cv2  #   # image = cv2.imread("D:machineTestfalali.jpg")  # print(image.shape)  # cv2.imshow("1",image)  #   # # 第一層conv  # image = image.reshape([-1, 386, 580, 3])  # img_input = Input(shape=(386, 580, 3))  # x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(img_input)  # x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)  # x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)  # model = Model(inputs=img_input, outputs=x)  # out = model.predict(image)  # print(out.shape)  # out = out.reshape(193, 290,64)  # image_conv1 = out[:,:,1].reshape(193, 290)  # image_conv2 = out[:,:,20].reshape(193, 290)  # image_conv3 = out[:,:,40].reshape(193, 290)  # image_conv4 = out[:,:,60].reshape(193, 290)  # cv2.imshow("conv1",image_conv1)  # cv2.imshow("conv2",image_conv2)  # cv2.imshow("conv3",image_conv3)  # cv2.imshow("conv4",image_conv4)  # cv2.waitKey(0)

 

中間結果輸出可以查看conv過之後的圖像:

原始圖像:

經過一層conv以後,輸出其中4張圖片:

 

                                                     

   


[zmcjlove ] keras 模型參數,模型保存,中間結果輸出操作已經有185次圍觀

http://coctec.com/docs/python/shhow-post-241570.html