# 载入模型（reload model） ## 使用： ~~~ # 参数模型所在路径，不为空框架会加载模型，用于预测或继续训练 "load_model": "AA-1000.model" ~~~ ## 参数说明： load_model：参数模型所在路径，不为空框架会加载模型，用于预测或继续训练 ## 完整例子 ~~~ # 加载模型，直接预测 # pip install AADeepLearning from AADeepLearning import AADeepLearning from AADeepLearning.datasets import mnist from AADeepLearning.datasets import np_utils # mnist数据集已经被划分成了60,000个训练集，10,000个测试集的形式，如果数据不存在则自动下载 (x_train, y_train), (x_test, y_test) = mnist.load_data() # 第一个维度是样本数目，第二维度是通道数表示颜色通道数，第三维度是高，第四个维度是宽 x_train = x_train.reshape(x_train.shape[0], 1, 28, 28) x_test = x_test.reshape(x_test.shape[0], 1, 28, 28) # 将x_train, x_test的数据格式转为float32 x_train = x_train.astype('float32') x_test = x_test.astype('float32') # 归一化，将值映射到 0到1区间 x_train /= 255 x_test /= 255 # 因为是10分类，所以将类别向量(从0到10的整数向量)映射为二值类别矩阵，相当于将向量用one-hot重新编码 y_train = np_utils.to_categorical(y_train, 10) y_test = np_utils.to_categorical(y_test, 10) # 网络配置文件 config = { # 参数模型所在路径，不为空框架会加载模型，用于预测或继续训练 "load_model": "AA-1000.model" } # 定义模型，传入配置项 AA = AADeepLearning(config=config) # 使用测试集预测，返回概率分布和准确率， score:样本在各个分类上的概率， accuracy:准确率 score, accuracy = AA.predict(x_test=x_test, y_test=y_test) print("test set accuracy:", accuracy) ~~~