Keras è una libreria Python semplice e potente per il deep learning. Dato che l'addestramento dei modelli di deep learning può richiedere ore, giorni e persino settimane, è importante sapere come salvarli e caricarli dal disco. In questo post scoprirai come salvare i tuoi modelli Keras su file e caricarli di nuovo per fare previsioni. Dopo aver letto questo tutorial saprai: Come salvare i pesi del modello e l'architettura del modello in file separati. Come salvare l'architettura del modello in formato YAML e JSON. Come salvare i pesi e l'architettura del modello in un unico file per un uso successivo. Prerequisiti Tutorial: Se non sai perchè utilizzeremo python, clicca qui Se non conosci gli algoritmi , clicca qui Se non sai creare reti neurali , clicca qui Se non sai cosa è un perceptron , clicca qui Se non conosci le principali libreire di python , clicca qui Se non hai ancora installato Python, clicca qui Se non sai come scaricare e gestire le librerie, clicca qui Se non sai cosa sia un Dataset, clicca qui Introduzione Keras separa le preoccupazioni relative al salvataggio dell'architettura del modello e al salvataggio del peso del modello. I pesi dei modelli vengono salvati nel formato HDF5 . Questo è un formato griglia ideale per memorizzare matrici di numeri multidimensionali. La struttura del modello può essere descritta e salvata utilizzando due diversi formati: JSON e YAML. In questo post esamineremo due esempi di salvataggio e caricamento del modello su file: Salva modello in JSON. Salva modello in YAML. Ogni esempio dimostrerà anche il salvataggio e il caricamento dei pesi del modello su file formattati HDF5. Gli esempi utilizzeranno la stessa semplice rete addestrata sull'inizio del set di dati di classificazione binaria del diabete da parte degli indiani Pima. Questo è un piccolo set di dati che contiene tutti i dati numerici ed è facile da lavorare. Puoi scaricare questo set di dati e inserirlo nella tua directory di lavoro con il nome del file " pima-indians-diabetes.csv " ( scarica da qui ). Nota : il salvataggio dei modelli richiede l'installazione della libreria h5py. Puoi installarlo facilmente come segue: sudo pip install h5py #se hai python <3 sudo pip3 install h5py #se hai python >=3 !pip install h5py #se stai lavorando su Coolab Salva il tuo modello di rete neurale in JSON JSON è un semplice formato di file per descrivere i dati in modo gerarchico. Keras offre la possibilità di descrivere qualsiasi modello utilizzando il formato JSON con una funzione to_json() . Questo può essere salvato su file e successivamente caricato tramite la funzione model_from_json() che creerà un nuovo modello dalla specifica JSON. I pesi vengono salvati direttamente dal modello utilizzando la funzione save_weights() e successivamente caricati utilizzando la funzione load_weights() simmetrica . L'esempio seguente addestra e valuta un modello semplice sul set di dati degli indiani Pima. Il modello viene quindi convertito in formato JSON e scritto in model.json nella directory locale. I pesi di rete vengono scritti in model.h5 nella directory locale. I dati del modello e del peso vengono caricati dai file salvati e viene creato un nuovo modello. È importante compilare il modello caricato prima che venga utilizzato. In questo modo le previsioni effettuate utilizzando il modello possono utilizzare il calcolo efficiente appropriato dal backend Keras. Il modello viene valutato allo stesso modo stampando lo stesso punteggio di valutazione. # Salviamo il nostro modello from keras.models import Sequential from keras.layers import Dense from keras.models import model_from_json import numpy import os # fissiamo un seme per essere in grado di replicare i nostri output numpy.random.seed(7) # Carichiamo il Dataset dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") #dividiamo le variabili in input (X) e output (Y) X = dataset[:,0:8] Y = dataset[:,8] # Creiamo il nostro modellino model = Sequential() model.add(Dense(12, input_dim=8, activation='relu')) model.add(Dense(8, activation='relu')) model.add(Dense(1, activation='sigmoid')) # Compiliamolo model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Alleniamolo model.fit(X, Y, epochs=150, batch_size=10, verbose=0) # Valutiamo il modello scores = model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) # Modello ->> file json model_json = model.to_json() with open("model.json", "w") as json_file: json_file.write(model_json) # Pesi Modello ->> fil h5 model.save_weights("model.h5") print("Saved model to disk") # per ricaricarli quando ti serviranno... # Carichiamo il file json json_file = open('mdel.json', 'r') loaded_model_json = json_file.read() json_file.close() loaded_model = model_from_json(loaded_model_json) # Carichiamo i pesi loaded_model.load_weights("model.h5") print("Loaded model from disk") # Rivalutiamo il modello loaded_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) score = loaded_model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (loaded_model.metrics_names[1], score[1]*100)) Nota : i risultati possono variare a causa della natura stocastica dell'algoritmo o della procedura di valutazione, o delle differenze nella precisione numerica. Considera di eseguire l'esempio alcune volte e confrontare il risultato medio. L'esecuzione di questo esempio fornisce l'output seguente. acc: 78.78% Saved model to disk Loaded model from disk acc: 78.78% Salva il tuo modello di rete neurale su YAML Questo esempio è più o meno lo stesso dell'esempio JSON precedente, tranne per il fatto che il formato YAML viene utilizzato per la specifica del modello. Nota, questo esempio presuppone che tu abbia installato PyYAML 5, ad esempio: 1sudo pip install PyYAML In questo esempio, il modello viene descritto utilizzando YAML, salvato nel file model.yaml e successivamente caricato in un nuovo modello tramite la funzione model_from_yaml() . I pesi vengono gestiti come sopra nel formato HDF5 come model.h5 . # Salviamo il nostro modello from keras.models import Sequential from keras.layers import Dense from keras.models import model_from_json import numpy import os # fissiamo un seme per essere in grado di replicare i nostri output numpy.random.seed(7) # Carichiamo il Dataset dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") #dividiamo le variabili in input (X) e output (Y) X = dataset[:,0:8] Y = dataset[:,8] # Creiamo il nostro modellino model = Sequential() model.add(Dense(12, input_dim=8, activation='relu')) model.add(Dense(8, activation='relu')) model.add(Dense(1, activation='sigmoid')) # Compiliamolo model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Alleniamolo model.fit(X, Y, epochs=150, batch_size=10, verbose=0) # Valutiamo il modello scores = model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) # Modello ->> file YAML model_yaml = model.to_yaml() with open("model.yaml", "w") as yaml_file: yaml_file.write(model_yaml) # Pesi Modello ->> file HDF5 model.save_weights("model.h5") print("Saved model to disk") # per ricaricarli quando ti serviranno... # Carichiamo il file YAML yaml_file = open('model.yaml', 'r') loaded_model_yaml = yaml_file.read() yaml_file.close() loaded_model = model_from_yaml(loaded_model_yaml) # Carichiamo i nostri pesi loaded_model.load_weights("model.h5") print("Loaded model from disk") # Rivalutiamo il modello loaded_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) score = loaded_model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (loaded_model.metrics_names[1], score[1]*100)) Nota : i risultati possono variare a causa della natura stocastica dell'algoritmo o della procedura di valutazione, o delle differenze nella precisione numerica. Considera di eseguire l'esempio alcune volte e confrontare il risultato medio. L'esecuzione dell'esempio mostra il seguente output. acc: 78.78% Saved model to disk Loaded model from disk acc: 78.78% Salva insieme pesi e architettura del modello Keras supporta anche un'interfaccia più semplice per salvare insieme i pesi del modello e l'architettura del modello in un unico file H5. Il salvataggio del modello in questo modo include tutto ciò che dobbiamo sapere sul modello, tra cui: Pesi del modello. Architettura del modello. Dettagli della compilazione del modello (perdita e metriche). Stato dell'ottimizzatore del modello. Ciò significa che possiamo caricare e utilizzare direttamente il modello, senza doverlo ricompilare come abbiamo fatto negli esempi precedenti. Nota : questo è il modo preferito per salvare e caricare il tuo modello Keras. Come salvare un modello Keras Puoi salvare il tuo modello chiamando la funzione save() sul modello e specificando il nome del file. L'esempio seguente lo dimostra adattando prima un modello, valutandolo e salvandolo nel file model.h5 . # Salviamo il nostro modello from keras.models import Sequential from keras.layers import Dense from keras.models import model_from_json import numpy import os # fissiamo un seme per essere in grado di replicare i nostri output numpy.random.seed(7) # Carichiamo il Dataset dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") #dividiamo le variabili in input (X) e output (Y) X = dataset[:,0:8] Y = dataset[:,8] # Creiamo il nostro modellino model = Sequential() model.add(Dense(12, input_dim=8, activation='relu')) model.add(Dense(8, activation='relu')) model.add(Dense(1, activation='sigmoid')) # Compiliamolo model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Alleniamolo model.fit(X, Y, epochs=150, batch_size=10, verbose=0) # Valutiamo il modello scores = model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) # Salviamo modello e architettura della rete in un unico file model.save("model.h5") print("Saved model to disk") Nota : i risultati possono variare a causa della natura stocastica dell'algoritmo o della procedura di valutazione, o delle differenze nella precisione numerica. Considera di eseguire l'esempio alcune volte e confrontare il risultato medio. L'esecuzione dell'esempio si adatta al modello, riassume le prestazioni del modello sul set di dati di addestramento e salva il modello su file. acc: 77.73% Saved model to disk Successivamente possiamo caricare questo modello da file e usarlo. Come caricare un modello Keras Il tuo modello salvato può quindi essere caricato in un secondo momento chiamando la funzione load_model() e passando il nome del file. La funzione restituisce il modello con la stessa architettura e pesi. In questo caso, carichiamo il modello, riassumiamo l'architettura e la valutiamo sullo stesso set di dati per confermare che i pesi e l'architettura siano gli stessi. # Importiamo le libreire per caricare il modello from numpy import loadtxt from keras.models import load_model # Ricarichiamo il modello salvata model = load_model('model.h5') # Stampiamo li info base del modello model.summary() # Carichiamo il dataset dataset = loadtxt("pima-indians-diabetes.csv", delimiter=",") # Dividiamo input e output X = dataset[:,0:8] Y = dataset[:,8] # Valutiamo il modello score = model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], score[1]*100)) L'esecuzione dell'esempio carica prima il modello, stampa un riepilogo dell'architettura del modello, quindi valuta il modello caricato sullo stesso set di dati. Considera di eseguire l'esempio alcune volte e confrontare il risultato medio. Il modello ottiene lo stesso punteggio di accuratezza che in questo caso è del 77%. _________________________________________________________________ Layer (type) Output Shape Param # ================================================= dense_1 (Dense) (None, 12) 108 _________________________________________________________________ dense_2 (Dense) (None, 8) 104 _________________________________________________________________ dense_3 (Dense) (None, 1) 9 ================================================= Total params: 221 Trainable params: 221 Non-trainable params: 0 _________________________________________________________________ acc: 77.73% Riepilogo In questo post, hai scoperto come serializzare i tuoi modelli di deep learning Keras. Hai imparato come salvare i tuoi modelli addestrati su file e in seguito caricarli e usarli per fare previsioni. Hai anche appreso che i pesi del modello possono essere facilmente archiviati utilizzando il formato HDF5 e che la struttura di rete può essere salvata in formato JSON o YAML. Hai domande sul salvataggio dei tuoi modelli di deep learning o su questo post? Poni le tue domande nei commenti e faremo del nostro meglio per risponderti.

Non esiste un modo giusto per entrare nell'apprendimento automatico. automatico. Un obiettivo comune è diventare rapidamente produttivi con l'apprendimento automatico. Il machine learning è cosi potente da sembrare Magia L'apprendimento automatico è solo un altro insieme Usa le stesse tattiche nel campo dell'apprendimento automatico.

Oggi utilizza sofisticati algoritmi di apprendimento automatico per prevedere la domanda, gestire le Fortunatamente, l'intelligenza artificiale e in particolare l'apprendimento automatico, possono aiutare Gestione delle scorte avanzata: Sfruttate i modelli di apprendimento automatico per ottimizzare i livelli Con potenti algoritmi di apprendimento automatico, le aziende possono estrarre informazioni preziose Analisi di lead scoring attraverso modelli predittivi di apprendimento automatico per identificare clienti

Con le loro risposte rapide e l'utilizzo di elaborazione del linguaggio naturale, apprendimento automatico I chatbot possono adattarsi agli utenti utilizzando intelligenza artificiale e apprendimento automatico Utilizzando l'intelligenza artificiale e l'apprendimento automatico, i chatbot possono adattarsi alle Grazie all'elaborazione del linguaggio naturale, all'apprendimento automatico e all'intelligenza artificiale Grazie all'intelligenza artificiale e all'apprendimento automatico, i chatbot possono adattarsi agli

Apprendimento automatico: L'apprendimento automatico è una branca dell'IA che si concentra sullo sviluppo Learning Rate: un parametro in un algoritmo di apprendimento automatico che controlla la velocità con Dizionario dell'intelligenza artificiale : LETTERA M Machine Learning (Apprendimento Automatico) : E' TensorFlow - E' una libreria open source per l'apprendimento automatico sviluppata da Google. TensorFlow supporta molteplici tipi di reti neurali e altri algoritmi di apprendimento automatico.

L'apprendimento automatico e la statistica sono due campi di studio strettamente correlati. Tanto che gli statistici si riferiscono all'apprendimento automatico come " statistica applicata " o L'apprendimento automatico è quasi universalmente presentato ai principianti presupponendo che il lettore Dai un'occhiata a questa citazione dall'inizio di un popolare libro di apprendimento automatico applicato Per essere in grado di comprendere l'apprendimento automatico, è necessaria una conoscenza di base delle

automatico Non esiste il miglior algoritmo di apprendimento automatico o parametri dell'algoritmo. automatico? Quali sono i parametri migliori per un algoritmo di apprendimento automatico? Non esiste il miglior algoritmo di apprendimento automatico per uso generale. Non ci sono migliori parametri dell'algoritmo di apprendimento automatico per uso generale.

automatico. L'apprendimento automatico riguarda l'utilizzo di una raccolta di algoritmi per applicare l'esperienza La gigantesca società di e-commerce utilizza l'apprendimento automatico per migliorare la selezione dei I progressi nell'intelligenza artificiale e nell'apprendimento automatico hanno consentito tecniche di I rivenditori si affidano all'apprendimento automatico per acquisire dati, analizzarli e utilizzarli

automatico o sei un veterano incallito, un portfolio di apprendimento automatico può tenerti in carreggiata Indagare il comportamento di un algoritmo di apprendimento automatico. Indagare e caratterizzare un set di dati o un problema di apprendimento automatico. Implementa un algoritmo di apprendimento automatico nel tuo linguaggio di programmazione preferito. Cerca esempi di portfolio di apprendimento automatico validi (o almeno compilati).

Ad esempio, le aziende di telecomunicazioni possono utilizzare modelli di apprendimento automatico per Nell'industria manifatturiera, le aziende possono implementare algoritmi di apprendimento automatico Utilizzando algoritmi di apprendimento automatico, come le reti neurali o la regressione logistica, questi Supporto delle decisioni aziendali tramite IA L'IA, con i suoi potenti algoritmi di apprendimento automatico Grazie alle capacità di apprendimento automatico e di analisi predittiva dell'IA, le organizzazioni sono

Gli esponenti sono utilizzati anche in molti altri algoritmi di apprendimento automatico, come le reti automatico. Ad esempio, vengono spesso utilizzati negli algoritmi di apprendimento automatico per normalizzare i automatico. Ad esempio, vengono spesso utilizzati negli algoritmi di apprendimento automatico per rappresentare i

Il terzo termine di cui parleremo è "apprendimento automatico o Machine Learning". L'apprendimento automatico o Machine Learning è il processo attraverso il quale i modelli analizzano Ci sono diversi tipi di apprendimento automatico, come ad esempio l'apprendimento supervisionato, in automatico. dei diversi tipi di modelli di Machine Learning e l'apprendimento di tecniche di apprendimento automatico

L'apprendimento automatico e la capacità di elaborare una quantità enorme di dati stanno consentendo Tra le principali tendenze si evidenziano rivoluzioni nell'apprendimento automatico, l’avvento dell’IA Rivoluzioni nell'apprendimento automatico Le rivoluzioni nell'apprendimento automatico stanno ridefinendo Grazie all'impiego di algoritmi di apprendimento automatico e all'analisi predittiva, è possibile identificare automatico non ottimizzati o da una comprensione limitata delle implicazioni etiche e sociali dell'IA

In questo post scoprirai un mini corso di algoritmi di apprendimento automatico diviso in 14 parti che puoi seguire per comprendere finalmente gli algoritmi di apprendimento automatico. Questo corso non presuppone un background in teoria dell'apprendimento automatico. funzione (f) che l'algoritmo di apprendimento automatico mira ad apprendere. Gli algoritmi di apprendimento automatico sono descritti come l'apprendimento di una funzione target

L'apprendimento automatico (ML) è un campo dinamico e potente dell'informatica che ha permeato quasi Ciò è dovuto al fatto che molti modelli di apprendimento automatico all'avanguardia richiedono risorse L'apprendimento automatico stesso è una tecnologia che utilizza algoritmi chiamati reti neurali (un esempio L'obiettivo di TinyML è portare l'apprendimento automatico all'edge in modo estremo, in cui i dispositivi automatico.