如何使用多個保存的模型進行預測？

Question

我正在嘗試從此筆記本下載的已保存模型中預測分數值

https://www.kaggle.com/paoloripamonti/twitter-sentiment-analysis/

它包含4個保存的模型，即：

1. encoder.pkl
2. model.h5
3. model.w2v
4. tokenizer.pkl

我正在使用model.h5我的代碼是：

from keras.models import load_model
s_model = load_model('model.h5')

#predict the result
result = model.predict("HI my name is Mansi")

但這無法預測。

我認為該錯誤是因為我必須先對其進行標記化和編碼，但是我不知道如何使用多個保存的模型來執行此操作。

誰能指導我如何使用上面筆記本中提到的保存的模型預測值和分數。

Answer 1

在輸入模型之前，應先對文本進行預處理，然后是最小的工作腳本（改編自https://www.kaggle.com/paoloripamonti/twitter-sentiment-analysis/ ）：

import time
import pickle
from keras.preprocessing.sequence import pad_sequences
from keras.models import load_model

model = load_model('model.h5')
tokenizer = pickle.load(open('tokenizer.pkl', "rb"))
SEQUENCE_LENGTH = 300
decode_map = {0: "NEGATIVE", 2: "NEUTRAL", 4: "POSITIVE"}

POSITIVE = "POSITIVE"
NEGATIVE = "NEGATIVE"
NEUTRAL = "NEUTRAL"
SENTIMENT_THRESHOLDS = (0.4, 0.7)

def decode_sentiment(score, include_neutral=True):
    if include_neutral:        
        label = NEUTRAL
        if score <= SENTIMENT_THRESHOLDS[0]:
            label = NEGATIVE
        elif score >= SENTIMENT_THRESHOLDS[1]:
            label = POSITIVE

        return label
    else:
        return NEGATIVE if score < 0.5 else POSITIVE

def predict(text, include_neutral=True):
    start_at = time.time()
    # Tokenize text
    x_test = pad_sequences(tokenizer.texts_to_sequences([text]), maxlen=SEQUENCE_LENGTH)
    # Predict
    score = model.predict([x_test])[0]
    # Decode sentiment
    label = decode_sentiment(score, include_neutral=include_neutral)

    return {"label": label, "score": float(score),
       "elapsed_time": time.time()-start_at}  

predict("hello")

測試：

predict("hello")

其輸出：

{'elapsed_time': 0.6313169002532959,
 'label': 'POSITIVE',
 'score': 0.9836862683296204}