Python tensorflow tf.contrib.learn.SVM如何重新加载训练模型并使用predict对新数据进行分类

用tensorflow tf.contrib.learn.svm和存储模型训练svm模型；密码

feature_columns = [tf.contrib.layers.real_valued_column(feat) for feat in self.feature_columns]
model_dir = os.path.join(define.root, 'src', 'static_data', 'svm_model_dir')
model = svm.SVM(example_id_column='example_id',
                feature_columns=feature_columns,
                 model_dir=model_dir,
                            config=tf.contrib.learn.RunConfig(save_checkpoints_secs=10))
model.fit(input_fn=lambda: self.input_fun(self.df_train), steps=10000)
results = model.evaluate(input_fn=lambda: self.input_fun(self.df_test), steps=5, metrics=validation_metrics)
for key in sorted(results):
    print('% s: % s' % (key, results[key]))

hwo是否重新加载已训练的模型并使用predict对新数据进行分类？

训练时 调用

svm.svm（…，model_dir）

然后调用

fit（）

和

evaluate（）

方法

测试时 您可以调用

svm.svm（…，model_dir）

，然后可以调用

predict（）

方法您的模型将在

模型目录中找到一个经过训练的模型

，并将加载经过训练的模型参数。

参考文献

---

如果我进行X_测试，那么在predict参数中应该给出什么？它给我的错误属性错误：“Tensor”对象没有属性“value”