আমি ভাবছিলাম যে আংশিক প্রশিক্ষিত কেরাস মডেলটি সংরক্ষণ এবং মডেলটি আবার লোড করার পরে প্রশিক্ষণ চালিয়ে যাওয়া সম্ভব ছিল কিনা।
এর কারণ হ'ল ভবিষ্যতে আমার আরও প্রশিক্ষণের ডেটা থাকবে এবং আমি পুরো মডেলটি আবার পুনরায় আঁকতে চাই না।
আমি যে ফাংশনগুলি ব্যবহার করছি তা হ'ল:
#Partly train model
model.fit(first_training, first_classes, batch_size=32, nb_epoch=20)
#Save partly trained model
model.save('partly_trained.h5')
#Load partly trained model
from keras.models import load_model
model = load_model('partly_trained.h5')
#Continue training
model.fit(second_training, second_classes, batch_size=32, nb_epoch=20)
সম্পাদনা 1: সম্পূর্ণরূপে কাজের উদাহরণ যুক্ত করা হয়েছে
10 যুগের পরে প্রথম ডেটাসেটের সাথে সর্বশেষ যুগের লোকসানটি 0.0748 এবং যথার্থতা 0.9863 হবে।
মডেলটি সংরক্ষণ, মুছতে এবং পুনরায় লোড করার পরে দ্বিতীয় ডেটাসেটে প্রশিক্ষণ প্রাপ্ত মডেলের ক্ষতি এবং যথার্থতা যথাক্রমে 0.1711 এবং 0.9504 হবে।
এটি কি নতুন প্রশিক্ষণের ডেটা বা সম্পূর্ণ পুনরায় প্রশিক্ষিত মডেল দ্বারা সৃষ্ট?
"""
Model by: http://machinelearningmastery.com/
"""
# load (downloaded if needed) the MNIST dataset
import numpy
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils
from keras.models import load_model
numpy.random.seed(7)
def baseline_model():
model = Sequential()
model.add(Dense(num_pixels, input_dim=num_pixels, init='normal', activation='relu'))
model.add(Dense(num_classes, init='normal', activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
if __name__ == '__main__':
# load data
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# flatten 28*28 images to a 784 vector for each image
num_pixels = X_train.shape[1] * X_train.shape[2]
X_train = X_train.reshape(X_train.shape[0], num_pixels).astype('float32')
X_test = X_test.reshape(X_test.shape[0], num_pixels).astype('float32')
# normalize inputs from 0-255 to 0-1
X_train = X_train / 255
X_test = X_test / 255
# one hot encode outputs
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
num_classes = y_test.shape[1]
# build the model
model = baseline_model()
#Partly train model
dataset1_x = X_train[:3000]
dataset1_y = y_train[:3000]
model.fit(dataset1_x, dataset1_y, nb_epoch=10, batch_size=200, verbose=2)
# Final evaluation of the model
scores = model.evaluate(X_test, y_test, verbose=0)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))
#Save partly trained model
model.save('partly_trained.h5')
del model
#Reload model
model = load_model('partly_trained.h5')
#Continue training
dataset2_x = X_train[3000:]
dataset2_y = y_train[3000:]
model.fit(dataset2_x, dataset2_y, nb_epoch=10, batch_size=200, verbose=2)
scores = model.evaluate(X_test, y_test, verbose=0)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))