# 載入模型（reload model） ## 使用： ~~~ # 參數模型所在路徑，不為空框架會加載模型，用于預測或繼續訓練 "load_model": "AA-1000.model" ~~~ ## 參數說明： load_model：參數模型所在路徑，不為空框架會加載模型，用于預測或繼續訓練 ## 完整例子 ~~~ # 加載模型，直接預測 # pip install AADeepLearning from AADeepLearning import AADeepLearning from AADeepLearning.datasets import mnist from AADeepLearning.datasets import np_utils # mnist數據集已經被劃分成了60,000個訓練集，10,000個測試集的形式，如果數據不存在則自動下載 (x_train, y_train), (x_test, y_test) = mnist.load_data() # 第一個維度是樣本數目，第二維度是通道數表示顏色通道數，第三維度是高，第四個維度是寬 x_train = x_train.reshape(x_train.shape[0], 1, 28, 28) x_test = x_test.reshape(x_test.shape[0], 1, 28, 28) # 將x_train, x_test的數據格式轉為float32 x_train = x_train.astype('float32') x_test = x_test.astype('float32') # 歸一化，將值映射到 0到1區間 x_train /= 255 x_test /= 255 # 因為是10分類，所以將類別向量(從0到10的整數向量)映射為二值類別矩陣，相當于將向量用one-hot重新編碼 y_train = np_utils.to_categorical(y_train, 10) y_test = np_utils.to_categorical(y_test, 10) # 網絡配置文件 config = { # 參數模型所在路徑，不為空框架會加載模型，用于預測或繼續訓練 "load_model": "AA-1000.model" } # 定義模型，傳入配置項 AA = AADeepLearning(config=config) # 使用測試集預測，返回概率分布和準確率， score:樣本在各個分類上的概率， accuracy:準確率 score, accuracy = AA.predict(x_test=x_test, y_test=y_test) print("test set accuracy:", accuracy) ~~~