tensorflow tf.contrib.learn.SVM如何重新加載訓練后的模型並使用預測對新數據進行分類

Question

使用tensorflow tf.contrib.learn.SVM訓練svm模型並保存模型; 密碼

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]))

如何重新加載經過訓練的模型並使用預測對新數據進行分類？

Answer 1

訓練時

您調用svm.SVM(..., model_dir) ，然后調用fit()和svm.SVM(..., model_dir) evaluate()方法。

測試時

您調用svm.SVM(..., model_dir) ，然后可以調用svm.SVM(..., model_dir) predict()方法。 您的模型將在model_dir找到經過訓練的模型，並將加載經過訓練的模型參數。

參考

TF第3340期