keras中的负荷模型

当在keras API中将模型（先前处理）加载到LSTM网络时，它是否会（明确地）在网络中包含训练数据

---

如果不是，这将如何帮助预测时间序列中的模式。

因为任何神经网络（CNN、LSTM或其他）的目标都是从列车数据中学习（计算时间）并推广到任何数据（相同问题）。因此，您只需要加载网络和wheights的体系结构

在keras中，简单的方法是使用以下内容保存/加载架构和wheights：

model.save('my_model.hdf5')

model.load('my_model.hdf5') 

---

因为任何神经网络（CNN、LSTM或其他）的目标都是从训练数据（计算wheights）中学习并推广到任何数据（相同问题）。因此，您只需要加载网络和wheights的体系结构

在keras中，简单的方法是使用以下内容保存/加载架构和wheights：

model.save('my_model.hdf5')

model.load('my_model.hdf5') 

将模型（先前处理）加载到中的LSTM网络时 keras API是否将培训数据（明确）包含在网络中

否

model.save（）

用于排除已保存文件中的培训数据。 大多数情况下，在进行预测培训后保存模型。在预测案例中，您不再需要原始数据，因为模型基于与模型一起保存的训练权重进行预测，该权重基本上是定义模型的层列表

model.summary（）

描述keras关于模型的信息

如果不是，这个（负载模型）如何帮助预测模式 在时间序列中

model.save（）

save基本上有两件事：

您的模型（基本上是图层对象及其关系）

属于模型中每个层的权重

模型的权重是您培训的结果，是您的模型在培训期间获得的“知识”，这是预测新样本所必需的

from keras.models import Sequential
from keras_contrib.losses import import crf_loss
from keras_contrib.metrics import crf_viterbi_accuracy

# To save model
model.save('my_model_01.hdf5')

# To load the model
custom_objects={'CRF'                 : CRF,
              'crf_loss'            : crf_loss,
              'crf_viterbi_accuracy': crf_viterbi_accuracy}

# To load a persisted model that uses the CRF layer 
model1 = load_model("/home/abc/my_model_01.hdf5", custom_objects = custom_objects)

将模型（先前处理）加载到中的LSTM网络时 keras API是否将培训数据（明确）包含在网络中

否

model.save（）

用于排除已保存文件中的培训数据。 大多数情况下，在进行预测培训后保存模型。在预测案例中，您不再需要原始数据，因为模型基于与模型一起保存的训练权重进行预测，该权重基本上是定义模型的层列表

model.summary（）

描述keras关于模型的信息

如果不是，这个（负载模型）如何帮助预测模式 在时间序列中

model.save（）

save基本上有两件事：

您的模型（基本上是图层对象及其关系）

属于模型中每个层的权重

---

模型的权重是您培训的结果，是您的模型在培训期间获得的“知识”，这是预测新样本所必需的。

非常感谢@Marcelo QueirósThank you@Marcelo QueirósWell@dennis ec。还有一个疑问是验证数据是否重要，或者测试数据是否重要，或者这两个数据都是培训所必需的？培训需要验证数据。你需要一个独立的数据集来验证你的训练，并确保你不会过度训练。由于您使用验证集确定培训的终点，因此它与培训并非完全无关。因此，为了在完全不相关的数据集上测试模型，您需要测试数据集。此数据集不得在培训期间使用。dennis ec解释得很好。还有一个疑问是验证数据是否重要，或者测试数据是否重要，或者这两个数据都是培训所必需的？培训需要验证数据。你需要一个独立的数据集来验证你的训练，并确保你不会过度训练。由于您使用验证集确定培训的终点，因此它与培训并非完全无关。因此，为了在完全不相关的数据集上测试模型，您需要测试数据集。培训期间不得使用此数据集。

from keras.models import Sequential
from keras_contrib.losses import import crf_loss
from keras_contrib.metrics import crf_viterbi_accuracy

# To save model
model.save('my_model_01.hdf5')

# To load the model
custom_objects={'CRF'                 : CRF,
              'crf_loss'            : crf_loss,
              'crf_viterbi_accuracy': crf_viterbi_accuracy}

# To load a persisted model that uses the CRF layer 
model1 = load_model("/home/abc/my_model_01.hdf5", custom_objects = custom_objects)