Python 基于Keras和tensorflow的预测模型

因此，我使用Keras创建了一个预测模型，其准确率约为60%-65%

因此，我们传递的数据是

xtst

，

xtrn

，

ytst

，

ytrn

到

train\u test\u split

，

test\u split=.3

等等，以便对受监控的数据进行训练和测试。现在在所有这些之后，我有了一组新的数据，比如说

xnew

如何使用此数据预测此新数据的

y

值

我应该在哪里输入此

xnew

数据，以便它为我提供

y

模型：

model = Sequential() 
model.add(Dense(10,input_shape=(4,),activation = 'relu') 
model.add(Dense(32,activation = 'relu')) 
model.add(Dense(101,activation = 'softmax')) 

from keras import optimizers 
model.compile(Adam(lr=.01),loss='sparse_categorical_crossentropy',metrics=['accuracy']) 
model.fit(x_train,y_train,batch_size=20,epochs=40,shuffle=True,verbose=2) 
pred = model.predict(x_test,batch_size = 10,verbose = 2) 
for i in pred: 
  print(i)

---

训练模型后，您可以使用

model.save（您的模型名称.h5）

保存模型。然后您可以使用

model=load\u model（您的\u model\u name.h5）

再次加载它。从那里你可以使用

model.predict（xnew）

或者

model.predict_classes（xnew）

，如果你做了一个分类器的话。我建议您也看看。

对于带有

softmax

输出层的多类别分类器模型，您可以使用这些向量来训练模型

x => [....]             #some vector
y => [0,0,0,1,0,0,0,...] 

其中，

y

是表示每个类别概率的向量

---

要预测给定的一些

x

比如

y=model.predict（x）

你会得到这样的概率向量

[0.1,0.05,0.5，…]

你只需要找到概率最大的索引，你可以使用

category=numpy.argmax（y）

基本上你应该使用

y=model.predict（x）

如果您提供您的代码，也许我们可以为您提供更具体的解决方案，建议您也看看keras docs@shahaf，这就是我选择的模型我看到模型是分类的，对吗？这意味着你可以从101个不同的类别中进行选择，对吗？你能提供一行x，y输入吗？我训练模型的第一个数据的输入形状是400x700，我给出的新数据是否也有相同的输入形状？如果是这样的话，我们怎样才能确保事情总是这样。我不知道你到底是什么意思。。。但是，如果输入层中的数据形状为400x700，则需要400个节点；如果输入层中的数据形状为300x800，则需要300个节点组成输入层；如果输入层中的数据形状为400x700，则y尺寸对应于输出层