如何使用保存的Keras模型进行情绪分类？

我训练了我的模型，得到了79%的情感分类准确率。对于嵌入层，我使用了word2vec。 现在，我已经训练并保存了我的模型，我如何使用它，以这样的方式，我可以把一些输入作为一个句子，它显示出句子的概率有多大

下面给出一些相关代码

word_model = gensim.models.Word2Vec(train_x+test_x, size=100, min_count=1, window=5, iter=100)

model = Sequential()
model.add(Embedding(input_dim=vocab_size, output_dim=emdedding_size, 
                weights=[pretrained_weights]))

model.add(Dropout(0.2))
model.add(Conv1D(filters,
             kernel_size,
             padding='valid',
             activation='relu',
             strides=1))
model.add(GlobalMaxPooling1D())
model.add(Dense(hidden_dims))
model.add(Dropout(0.2))
model.add(Activation('relu'))
model.add(Dense(1))
model.add(Activation('sigmoid'))
model.compile(loss='binary_crossentropy',
          optimizer='adam',
          metrics=['accuracy'])
model.summary()
model.fit(train_x, train_y,
      batch_size=batch_size,
      epochs=epochs,
      validation_data=(test_x, test_y))

---

在您的代码中，您只编译模型，目前还没有训练任何东西。使用

fit

对其进行训练后，您可以在训练过的模型上调用

predict

，以提供新的、看不见的输入。这里是一个全面的基本函数。

您不能直接传递字符串（或本例中的“句子”）来预测。接受输入数据作为numpy数组。 因此，您需要像处理火车数据一样处理新输入的句子

我看不出您对列车数据做了什么，但过程通常是相同的：

• 干净的
• 标记化
• 矢量化
• 匹配单词索引
• 垫
• 压扁

---

然后，您可以将结果numpy数组传递给predict以获得所需的结果。

我忘了在问题中写“fit”。我已经编辑了这个问题。@ NicoSid，如果我的答案，即调用模型上的预测，解决了你的问题（应该），请考虑投票和接受答案。我知道我必须使用预测。问题是我如何传递这个该死的句子？用你格式化训练数据（train_x）的方式格式化你的新句子（或多个句子），并将其输入预测方法，这是文档中的参数x。我的印象是，如果您选中此（）和此（）