Python Keras：使用predict_生成器预测新值

目前，我正在尝试学习Keras中的温度预测示例（如F.Chollet的《Python深度学习》一书第6.3章所述）。我在使用指定的生成器进行预测时遇到一些问题。我的理解是，我应该使用

model.predict\u generator

进行预测，但我不确定如何将

steps

参数用于此方法，以及如何恢复对原始数据正确“形状”的预测

理想情况下，我希望能够绘制测试集（指数300001，直到结束），并绘制我对该测试集的预测（即具有预测值的相同长度的数组）

示例（此处提供的数据集：）如下所示：

将numpy导入为np
#读入数据
fname=（'jena_climate_2009_2016.csv'）
f=打开（fname）
data=f.read（）
f、 关闭（）
lines=data.split（'\n'）
col_names=行[0]。拆分（“，”）
col_names=[i.replace（“，”）替换col_names中的i]
#规范化数据
float_data=np.array（df.iloc[：，1:]）
温度=浮点数据[：，1]
平均值=浮点数据[：200000]。平均值（轴=0）
浮点数据-=平均值
标准=浮点数据[：200000]。标准（轴=0）
浮点数数据/=标准
def生成器（数据、回溯、延迟、最小索引、最大索引、随机播放=False、批次大小=128、步长=6）：
如果最大索引为“无”：
最大索引=len（数据）-延迟-1
i=最小索引+回望
而1：
如果随机播放：
行=np.random.randint(
最小索引+回望，最大索引，大小=批量大小）
其他：
如果i+批次大小>=最大索引：
i=最小索引+回望
行=np.arange（i，最小值（i+批量大小，最大索引））
i+=len（行）
样本=np.零（（len）（行），
回顾//step，
data.shape[-1]））
目标=np.0（（列）
对于j，枚举中的行（行）：
索引=范围（行[j]-回望，行[j]，步长）
样本[j]=数据[指数]
目标[j]=数据[行[j]+延迟][1]
产量（样本、目标）
回望=720
步骤=6
延迟=144
列车发电机=发电机（浮动数据，回望=回望，延迟=延迟，
最小索引=0，最大索引=200000，随机播放=True，
步骤=步骤，批次大小=批次大小）
val_gen=发生器（浮点数据，回望=回望，延迟=延迟，
最小指数=200001，最大指数=300000，步长=step，
批次大小=批次大小）
测试发电机=发电机（浮动数据，回望=回望，延迟=延迟，
最小指数=300001，最大指数=无，步长=步长，
批次大小=批次大小）
val_步长=（300000-200001-回望）
测试步骤=（len（浮动数据）-300001-回望）
从keras.models导入顺序
从keras导入图层
从keras.optimizers导入RMSprop
模型=顺序（）
model.add（layers.flatte（input_shape=（lookback//step，float_data.shape[-1]））
model.add（layers.Dense（32，activation='relu'））
模型。添加（层。密集（1））
compile（优化器=RMSprop（），loss='mae'）
型号安装发电机（发电机组，每小时步数=500，
历元=20，验证数据=val\u gen，
验证（步骤=验证（步骤）

在网上搜索之后，我尝试了以下类似的技术：

pred = model.predict_generator(test_gen, steps=test_steps // batch_size)

---

但是，我得到的预测数组太长，与我的原始数据完全不匹配。有人有什么建议吗？

在

预测生成器中
对于
步骤
将测试路径中的图像数除以
测试生成中提供的批大小

例如：我有
50张
图像，我提供的批量大小为
10
，而不是
5

#first seperate the `test images` and `test labels`
 test_images,test_labels = next(test_gen)

#get the class indices
 test_labels = test_labels[:,0]  #this should give you array of labels

predictions = model.predict_generator(test_gen,steps = number of images/batchsize,verbose=0)

predictions[:,0]  #this is your actual predictions  

当我对自己的问题找到了一个半可接受的答案时，我决定将其发布给子孙后代：

test_gen = generator(float_data, lookback=lookback, delay=delay, 
                     min_index=300001, max_index=None, step=step, 
                     batch_size=1)    # "reset" the generator

pred = model.predict_generator(test_gen, steps=test_steps)

现在，这是我想根据我的原始测试集绘制的形状。我还可以使用受此启发的更手动的方法：

您的原始代码看起来是正确的：

pred = model.predict_generator(test_gen, steps=test_steps // batch_size)

我试过了，但没有发现生成长度约为120k的
pred
有任何问题。您得到了多大的尺寸

实际上，代码中的两个步骤都不正确。它们应该是：

val_steps = (300000 - 200001 - lookback) // batch_size
test_steps = (len(float_data) - 300001 - lookback) // batch_size

（你的验证不是要花很长时间才能在每个时代运行吗？）

当然，有了这个修正，你可以简单地使用

pred = model.predict_generator(test_gen, steps=test_steps)

对于现在看这个问题的任何人，在使用较新版本的keras的
predict\u generator
时，我们不需要指定steps参数。参考：

如果提供值，将生成
step*batch\u size
示例的预测。这可能导致排除
len（test）%batch\u size
行，如OP所述。
此外，在我看来，设置
batch_size=1
会破坏使用生成器的目的，因为它相当于逐个迭代测试数据。
类似地设置
steps=1
（当
test\u generator
中未设置
batch\u size
时）将一次读取整个测试数据，这对于大型测试数据来说并不理想。
谢谢你的回答。不幸的是，对于我尝试使用的数据集，它不是图像数据，而是时间序列。如果我尝试像上面那样将
数据
和
标签
分开，那么我的
标签
数组的形状将为
（128，）
，即与
批量大小
相同。那么当然，我将无法使用您的下一行代码来获取类索引，因为形状与我直接从提到的书（第212页）中获得的
val\u步骤
和
test\u步骤
不匹配是的，我的验证确实花了很长的时间来运行每个历元！我的
pred
是长度
test\u步骤-（test\u步骤%batch\u大小）
，即1198
pred = model.predict_generator(test_gen, steps=test_steps)