Python 如何使用经过训练的暹罗网络预测100+类的大型测试集的标签？

我是否必须将每个测试图像与每个类的示例图像进行比较？该测试集包含104个类的7400个图像。那么这就是7400 x 104预测

---

在tpu上使用tensorflow，我能够非常有效地训练模型。但是，使用上述方法预测标签需要很长时间，此外，模型预测调用会导致内存泄漏，最终导致内核失败内存可能会膨胀到30+gb并计数

有多种方法可以做到这一点：

不建议这样做 基本上是你正在做的事情的子集。你可以吃一些 来自每个类的图像，并将其与测试图像进行比较。比方说 您从每个类中选择5个图像，因此必须执行5*104 预言。 您可以使用K-最近邻模型，其中您必须只对7400或这些图像的子集进行一次预测，即创建KNN模型，然后直接使用KNN分类器预测图像的类别。

---

如果您对KNN不太了解，或者不想了解代码实现，也可以参考

谢谢你的回复，阿卡什！快速跟进问题：我一直在使用此链接作为参考，看起来您的第一个要点我当前的方法相当于第9节中的模型验证。第10节中提到了kNN，但未使用该模型。你能详细说明一下如何将训练有素的暹罗人与上述kNN联系起来吗？我是从cnn顶层获取向量，然后合并kNN？另一种想法，或者在训练神经网络之后，我为标记的训练集和未标记的测试集生成特征向量。然后我在标记的序列向量上训练kNN分类器，然后在未标记的测试向量上预测？绝对是。1.使用培训数据对暹罗人进行培训，并根据验证数据进行验证。2.从训练模型中获取所有数据的向量。3.使用KNN模型使用这些向量构建模型。4.获取新图像的矢量。5.使用KNN分类器技术预测该数据点的类别。谢谢！这给了我很多指导。有一个没有太多背景的跟进，但你可能仍然有一些见解。我的暹罗模型在验证集上的AUC约为0.84。然而，knn的准确率约为26%。这合理吗？我知道0.84 Auc不是很好，但我希望看到比26%更准确的分类。你试过使用K值吗？