Jak korzystać z modelu tensorflow wyodrębnionego z przeszkolonego modelu kerasów?

Question

Chcę zbudować i wyszkolić sieć neuronową przy użyciu szkieletu Keras. Skonfigurowałem keras, że użyje Tensorflow jako zaplecza. Po szkoleniu modelu z kerasami próbowałem używać tylko Tensorflow. Mogę uzyskać dostęp do sesji i uzyskać wykres tensorflow. Ale nie wiem jak używać wykresu tensorflow na przykład do przepowiadania.

zbudować sieć z poniższym poradniku http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/

w metodzie pociąg() buduję i trenować model używając tylko Keras i zapisać Keras i tensorflow modelu

w eval() metody

Oto mój kod:

from keras.models import Sequential 
from keras.layers import Dense 
from keras.models import model_from_json 
import keras.backend.tensorflow_backend as K 
import tensorflow as tf 
import numpy 

sess = tf.Session() 
K.set_session(sess) 

# fix random seed for reproducibility 
seed = 7 
numpy.random.seed(seed) 

# load pima indians dataset 
dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") 

# split into input (X) and output (Y) variables 
X = dataset[:, 0:8] 
Y = dataset[:, 8] 


def train(): 
    # create model 
    model = Sequential() 
    model.add(Dense(12, input_dim=8, init='uniform', activation='relu')) 
    model.add(Dense(8, init='uniform', activation='relu')) 
    model.add(Dense(1, init='uniform', activation='sigmoid')) 

    # Compile model 
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics['accuracy']) 

    # Fit the model 
    model.fit(X, Y, nb_epoch=10, batch_size=10) 

    # evaluate the model 
    scores = model.evaluate(X, Y) 
    print("%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100)) 

    # serialize model to JSON 
    model_json = model.to_json() 
    with open("model.json", "w") as json_file: 
     json_file.write(model_json) 
    # serialize weights to HDF5 
    model.save_weights("model.h5") 

    # save tensorflow modell 
    saver = tf.train.Saver() 
    save_path = saver.save(sess, "model") 

def eval(): 
    # load json and create model 
    json_file = open('model.json', 'r') 
    loaded_model_json = json_file.read() 
    json_file.close() 
    loaded_model = model_from_json(loaded_model_json) 

    # load weights into new model 
    loaded_model.load_weights("model.h5") 

    # evaluate loaded model on test data 
    loaded_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) 
    score = loaded_model.evaluate(X, Y, verbose=0) 
    loaded_model.predict(X) 
    print ("%s: %.2f%%" % (loaded_model.metrics_names[1], score[1]*100)) 

    # load tensorflow model 
    sess = tf.Session() 
    saver = tf.train.import_meta_graph('model.meta') 
    saver.restore(sess, tf.train.latest_checkpoint('./')) 

    # TODO try to predict with the tensorflow model only 
    # without using keras functions 

mogę otworzyć wykres tensorflow (sess.graph), który struktura keras zbudowana dla mnie, ale nie wiem, jak mogę przewidzieć na wykresie tensorflow. Wiem, w jaki sposób mogę zbudować wykres tensorflow i przewidzieć go w generell, ale nie w przypadku modeli keras zbudowanych dla mnie.

Answer 1

Należy uzyskać tensory wejściowe i wyjściowe z definicji modelu Keras, a następnie z bieżącej sesji TensorFlow. Następnie możesz ocenić go tylko za pomocą TensorFlow. Zakładając, że model to twoje dane treningowe, twoje loaded_model i x.

sess = K.get_session() 
input_tensor = model.input 
output_tensor = model.output 

output_tensor.eval(feed_dict={input_tensor: x}, session=sess)