python - 如何使用 Google Colab 从 tensorflow fully_connected 获取权重

Question

我正在尝试在训练后从模型中提取权重。这是一个代码。 1-如何将模型保存在之前上传的目录路径中？ 2.如何获得权重？ 3. 我有一些用于建模但没有类的 csv 文件。我如何使用此模型估计类别？

# Preprocess
import pandas as pd
import keras
from sklearn.model_selection import train_test_split
# Prepare data
churn = pd.read_csv('Churn_Modelling3.csv')
# split data into train and test sets
x_train, x_test, y_train, y_test = train_test_split(churn.iloc[:,0:10],churn.iloc[:, 10], test_size=0.2)                    
# Create a Model
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D
from tensorflow.keras.layers import MaxPool2D
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import Dense
model = Sequential()
# Input layer
model.add(Dense(32, activation=tf.nn.sigmoid,input_dim=x_train.shape[1]))
# Hidden layers
model.add(Dense(64, activation=tf.nn.sigmoid))
model.add(Dense(32, activation=tf.nn.sigmoid))
# Output layer
model.add(Dense(1, activation=tf.nn.sigmoid))
# Compile the Model
from keras.optimizers import SGD
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile( optimizer= 'sgd', loss='binary_crossentropy', metrics=['accuracy'])
# Fit the model
history = model.fit(x_train, y_train, epochs=20, batch_size=128,validation_data=(x_test, y_test))
# ٍEvaluate the Model
score = model.evaluate(x_test, y_test, batch_size=128)

Answer 1

1. 模型如何保存到之前上传的目录路径？ => 您可以使用以下任何命令，

    `model.save_weights('./Weights/Weights')` or 
    `tf.keras.experimental.export_saved_model` or 
     `model.save`
   

2. 如何获取权重？ => 我们可以使用以下任何命令加载权重:

   model.load_weights('my_model_weights.h5') or         
   keras.models.load_model('my_model.h5') or
   
   tf.keras.experimental.load_from_saved_model
   

3. 我有一些用于建模但没有类的 csv 文件。我怎样才能用这个模型估计类(class)？ => 其中一种方法是为 CSV 数据标签的每个实例迭代以下代码。

   ynew = model.predict(Xnew)
   

更多信息，您可以引用以下链接:

https://www.tensorflow.org/tutorials/keras/save_and_restore_models

https://www.tensorflow.org/guide/saved_model

https://www.tensorflow.org/api_docs/python/tf/keras/Model