python – 使用Tensorflow中的多层感知器模型预测文本标签

概述我正在按照教程进行 *** 作,可以浏览代码,该代码可以训练神经网络并评估其准确性. 但我不知道如何在新的单个输入(字符串)上使用训练模型来预测其标签. 你能告诉我们如何做到这一点吗？ 教程： https://medium.freecodecamp.org/big-picture-machine-learning-classifying-text-with-neural-networks-and-tens 我正在按照教程进行 *** 作,可以浏览代码,该代码可以训练神经网络并评估其准确性.

但我不知道如何在新的单个输入(字符串)上使用训练模型来预测其标签.

你能告诉我们如何做到这一点吗？

教程：

https://medium.freecodecamp.org/big-picture-machine-learning-classifying-text-with-neural-networks-and-tensorflow-d94036ac2274

会话代码：

# Launch the graphwith tf.Session() as sess:    sess.run(init)    # Training cycle    for epoch in range(training_epochs):        avg_cost = 0.        total_batch = int(len(newsgroups_train.data)/batch_size)        # Loop over all batches        for i in range(total_batch):            batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)            # Run optimization op (backprop) and cost op (to get loss value)            c,_ = sess.run([loss,optimizer],Feed_dict={input_tensor: batch_x,output_tensor:batch_y})            # Compute average loss            avg_cost += c / total_batch        # display logs per epoch step        if epoch % display_step == 0:            print("Epoch:",'%04d' % (epoch+1),"loss=",\                "{:.9f}".format(avg_cost))    print("Optimization Finished!")    # Test model    correct_prediction = tf.equal(tf.argmax(prediction,1),tf.argmax(output_tensor,1))    # Calculate accuracy    accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))    total_test_data = len(newsgroups_test.target)    batch_x_test,batch_y_test = get_batch(newsgroups_test,total_test_data)    print("Accuracy:",accuracy.eval({input_tensor: batch_x_test,output_tensor: batch_y_test}))

我有一些Python的经验,但基本上没有Tensorflow的经验.

解决方法 首先,我们需要将文本转换为数组：

def text_to_vector(text):    layer = np.zeros(total_words,dtype=float)    for word in text.split(' '):        layer[word2index[word.lower()]] += 1    return layer# Convert text to vector so we can send it to our modelvector_txt = text_to_vector(text)# Wrap vector like we do in get_batches()input_array = np.array([vector_txt])

我们可以保存并加载模型以供重用.我们首先创建一个Saver对象然后保存会话(在训练模型之后)：

saver = tf.train.Saver()... train the model ...save_path = saver.save(sess,"/tmp/model.ckpt")

在示例模型中,模型体系结构中的最后一个“步骤”(即在polym_perceptron方法中完成的最后一件事)是：

'out': tf.Variable(tf.random_normal([n_classes]))

因此,为了获得预测,我们得到该数组的最大值的索引(预测类)：

saver = tf.train.Saver()with tf.Session() as sess:    saver.restore(sess,"/tmp/model.ckpt")    print("Model restored.")    classification = sess.run(tf.argmax(prediction,Feed_dict={input_tensor: input_array})    print("Predicted category:",classification)

您可以在这里查看整个代码：https://github.com/dmesquita/understanding_tensorflow_nn

总结

以上是内存溢出为你收集整理的python – 使用Tensorflow中的多层感知器模型预测文本标签全部内容，希望文章能够帮你解决python – 使用Tensorflow中的多层感知器模型预测文本标签所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。