Wie Gurke Keras Modell?

Diese funktioniert wie ein Charme http://zachmoshe.com/2017/04/03/pickling-keras-models.html:

import types
import tempfile
import keras.models

def make_keras_picklable():
    def __getstate__(self):
        model_str = ""
        with tempfile.NamedTemporaryFile(suffix='.hdf5', delete=True) as fd:
            keras.models.save_model(self, fd.name, overwrite=True)
            model_str = fd.read()
        d = { 'model_str': model_str }
        return d

    def __setstate__(self, state):
        with tempfile.NamedTemporaryFile(suffix='.hdf5', delete=True) as fd:
            fd.write(state['model_str'])
            fd.flush()
            model = keras.models.load_model(fd.name)
        self.__dict__ = model.__dict__


    cls = keras.models.Model
    cls.__getstate__ = __getstate__
    cls.__setstate__ = __setstate__

make_keras_picklable()

PS. Ich hatte einige Probleme, aufgrund meiner model.to_json() angehoben TypeError('Not JSON Serializable:', obj) wegen Zirkelbezug, und dieser Fehler verschluckt wurde, durch den obigen code irgendwie, es ergeben sich somit Gurke Funktion läuft ewig.

Können Sie eine Gurke Keras neuronale Netzwerk über die bereitstellen-ml-Modul, die installiert werden können via pip -

pip install deploy-ml

Volle Ausbildung und Bereitstellung von kera neuronale Netzwerk mit Hilfe des deploy-ml-wrapper sieht wie folgt aus:

import pandas as pd
from deployml.keras import NeuralNetworkBase


# load data 
train = pd.read_csv('example_data.csv')

# define the moel 
NN = NeuralNetworkBase(hidden_layers = (7, 3),
                   first_layer=len(train.keys())-1, 
                   n_classes=len(train.keys())-1)

# define data for the model 
NN.data = train

# define the column in the data you're trying to predict
NN.outcome_pointer = 'paid'

# train the model, scale means that it's using a standard 
# scaler to scale the data
NN.train(scale=True, batch_size=100)

NN.show_learning_curve()

# display the recall and precision 
NN.evaluate_outcome()

# Pickle your model
NN.deploy_model(description='Keras NN',
            author="maxwell flitton", organisation='example',
            file_name='neural.sav')

Den Eingelegten Datei enthält das Modell, die Metriken, die sich aus der Prüfung, eine Liste von Variablen-Namen und deren Reihenfolge, in der Sie müssen eingegeben werden, die version von Keras und python verwendet, und wenn ein scaler verwendet wird, wird es auch in der Datei gespeichert. Dokumentation ist hier. Das laden und die Benutzung der Datei wird durchgeführt, indem die folgenden:

import pickle

# use pickle to load the model 
loaded_model = pickle.load(open("neural.sav", 'rb'))

# use the scaler to scale your data you want to input 
input_data = loaded_model['scaler'].transform([[1, 28, 0, 1, 30]])

# get the prediction 
loaded_model['model'].predict(input_data)[0][0]

Ich Schätze, dass das training ein bisschen zu restriktiv. Bereitstellen-ml unterstützt den Import von eigenen Modellen für Sk-lernen, aber es funktioniert immer noch auf diese Unterstützung für Keras. Allerdings habe ich festgestellt, dass Sie können erstellen, bereitstellen-ml NeuralNetworkBase-Objekt, definieren Sie Ihre eigenen Keras neuronalen Netzwerk außerhalb Bereitstellen-ml, und weisen Sie auf die bereitstellen-ml-Modell-Attribut und das funktioniert gut:

 NN = NeuralNetworkBase(hidden_layers = (7, 3),
               first_layer=len(train.keys())-1, 
               n_classes=len(train.keys())-1)

NN.model = neural_network_you_defined_yourself