Python 如何在新数据集中测试深度学习模型

我训练并测试了一个模型。让我们把它命名为

model1

现在我想在一个新的数据集上测试

model1

。 因此，我使用

H5

保存模型，然后将保存的

model1

加载到新笔记本中，并使用新数据集对其进行测试

我做的程序对吗

我应该什么时候保存

model1

？ 我看到两种选择

经过培训程序

试验程序之后

---

虽然有许多方法可以设计模型的培训方案，但典型的概述可能如下所示：

• 使用训练数据训练模型
• 在每个训练周期或历元结束时使用验证集
• 使用测试集测试模型的性能

请注意，在完成培训和验证步骤之前，模型不会看到测试集。有一篇文章专门讨论这个话题

保存模型的时间完全取决于您。事实上，您可以使用特定的方法使Keras或TensorFlow在训练周期内定期保存模型。简言之，对于何时保存模型没有经验法则——这实际上取决于您的目标。但据我所知，从你的描述，一切似乎都是正确的：你训练了你的模型，保存了它，并将它加载到一个单独的Jupyter笔记本中进行测试

---

请注意，您可以在创建和测试初始模型的同一个笔记本中测试该模型。如果您愿意，还可以在新笔记本上继续训练加载的型号。

谢谢JST99。我正在处理人类活动识别问题。当我训练和测试model1，然后用新的数据集再次测试它时，性能非常好。但是当我只训练model1而不进行测试，然后保存它，然后加载并测试一个新的数据集时，执行情况非常糟糕。因此，我认为您对初始模型（此处为model1）所做的决定与新数据集上的性能有关，但就目前而言，没有关于保存的经验法则。我认为，对于我的问题，最好的选择是在新的jupyter中对测试保存模型1加载模型1，然后使用新数据集再次测试，很高兴它有所帮助。在你的情况下，任何最有效的方法都应该成为解决方案。我只想补充一点，并且说，在调用

model.fit

时，最好有一个验证方案，这样您就可以在模型经过培训时监控其性能。然后，您可以使用测试集调用类似于

model.evaluate

的东西，并对您的模型进行最终评估。