[英]Test h5 model on Test Dataset
使用遷移學習進行二元分類。 我使用我的數據集訓練模型,該數據集已分為三個文件夾 - train、test、val。 其中每一個進一步包含每個類的單獨文件夾。
r = model.fit_generator(
training_set,
validation_data = val_set,
epochs=5,
steps_per_epoch=len(training_set),
validation_steps=len(test_set)
)
訓練后,我將模型保存為 h5 文件。
import tensorflow as tf
from keras.models import load_model
model.save('vgg16_new_model.h5')
我如何使用它在測試集上測試模型?
有一個與fit_generator
等效的fit_generator
稱為evaluate_generator
,當您想將測試數據集傳遞給您的訓練模型時,您可以使用它。 但是,這兩個選項在最新的Tensorflow
版本中都已棄用,因此只需使用model.fit
和model.evaluate
。 這是一個簡單的例子:
import tensorflow as tf
flowers = tf.keras.utils.get_file(
'flower_photos',
'https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
untar=True)
img_gen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255, rotation_range=20)
model = tf.keras.applications.vgg16.VGG16(include_top=False, input_shape=(256, 256, 3))
x = tf.keras.layers.Flatten()(model.layers[-1].output)
x = tf.keras.layers.Dense(1024, activation='relu')(x)
output = tf.keras.layers.Dense(5)(x)
model = tf.keras.Model(inputs=model.inputs, outputs=output)
model.summary()
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
epochs=1
model.fit(img_gen.flow_from_directory(flowers, batch_size=32, class_mode='sparse'), epochs=epochs)
model.save('vgg16_new_model.h5')
##############################################################
new_model = tf.keras.models.load_model('vgg16_new_model.h5')
results = new_model.evaluate(img_gen.flow_from_directory(flowers, batch_size=32, class_mode='sparse'))
tf.print('Accuracy: ', results[1]*100)
Found 3670 images belonging to 5 classes.
115/115 [==============================] - 73s 629ms/step - loss: 1.6048 - accuracy: 0.2447
Accuracy: 24.468664824962616
請注意,我使用相同的子集進行訓練和評估,但您會將測試集傳遞給model.evaluate
。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.