如何在Keras中使用存储在GPU中的数据调用model.predict
在Keras中使用存储在GPU中的数据调用model.predict可以通过以下步骤实现：
- 确保你已经正确安装了Keras和TensorFlow，并且你的GPU驱动程序已经正确安装和配置。
- 导入所需的库和模块：
import tensorflow as tf
from tensorflow import keras- 创建一个Keras模型并加载已经训练好的模型权重：
model = keras.models.load_model('path_to_model.h5')- 创建一个GPU设备上的TensorFlow会话：
gpu_options = tf.GPUOptions(allow_growth=True)
config = tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)
keras.backend.set_session(session)- 将数据加载到GPU中：
with tf.device('/gpu:0'):
data = load_data_to_gpu() # 加载数据到GPU中- 使用加载的数据调用model.predict进行预测：
with tf.device('/gpu:0'):
predictions = model.predict(data)在上述代码中，我们首先加载了Keras模型并加载了已经训练好的模型权重。然后，我们创建了一个在GPU上运行的TensorFlow会话，并将其与Keras的后端进行了关联。接下来，我们将数据加载到GPU中，并使用加载的数据调用model.predict进行预测。
需要注意的是，上述代码中的'/gpu:0'表示使用第一个GPU设备。如果你有多个GPU设备，可以根据需要选择不同的设备。
此外，对于Keras中的model.predict函数，它将返回预测结果。你可以根据具体的应用场景对预测结果进行后续处理。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云GPU云服务器：https://cloud.tencent.com/product/cvm/gpu
- 腾讯云AI引擎：https://cloud.tencent.com/product/tia
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
- 腾讯云深度学习平台：https://cloud.tencent.com/product/dlp
- 腾讯云容器服务：https://cloud.tencent.com/product/ccs
- 腾讯云函数计算：https://cloud.tencent.com/product/scf
相关·内容
我已经构建并训练了一个序列模型。
现在，在每次调用model.predict之前，我想要将数据上传到GPU中，做一些操作，然后使用存储在GPU中的输出调用model.predict，而无需下载到内存并将其移交给keras模型，以便再次上传到gpu。
编辑:我想在图形处理器中对输入图像使用opencv操作，如果可能的话，直接使用输出来调用model.predict。
浏览 6提问于2017-02-12得票数 1
让我们从这样一个前提开始:我刚刚接触到TensorFlow和一般的深入学习。
我有TF-2.0 Keras风格的模型，使用tf.Model.train() (两个可用的GPU)进行培训，我希望缩小推理时间。
我使用非常方便的tf.distribute.MirroredStrategy().scope()上下文管理器训练了跨GPU的模型。
mirrored_strategy = tf.distribute.MirroredStrategy()
with mirrored_strategy.scope():
model.compile(...)
model.train(...)
这两个G
浏览 17提问于2019-11-20得票数 8
1回答
在我的.theanorc文件中，我已经设置了参数...
[global]
floatX = float32
但是，当我使用theano后端运行keras并调用model.predict时，返回的数组的numpy数据类型始终是FP64类型，而不是FP32类型。我不确定这是一个问题，还是keras / theano在GPU上执行之前转换为FP32。有没有办法检查。如果我尝试在图形处理器上使用FP64，我希望theano可以发布错误或警告。
浏览 3提问于2016-06-04得票数 2
我刚刚成功地完成了一个tf.keras顺序模型的训练，并编写了一个单独的"Flask“脚本，将保存的模型加载到我上传到Heroku的应用程序中。一切都成功了。但是，当我在玩的时候，我意识到对于我的需求，我只需要导入Flask，从flask以及pandas，numpy和tensorflow.python.keras.models导入load_model的请求： from tensorflow.python.keras.models import load_model
from flask import Flask, request
import pandas as pd
import
浏览 237提问于2019-03-12得票数 0
回答已采纳
在我的神经网络中，我试图在预测阶段保持辍学率。我试图通过在tensorflow 2.0RC中使用tensorflow.keras.backend.set_learning_phase(1)来实现这一点。
当我调用model.compile时，问题就出现了，它似乎在预测阶段关闭了辍学。
下面的代码演示如何设置学习阶段。在模型编制之前，预测是半随机的，和预期的一样。模型编译后，预测不再是半随机的，尽管学习阶段仍然是1。
import tensorflow as tf
from tensorflow import keras
import tensorflow.keras.backend as K
浏览 1提问于2019-10-21得票数 1
回答已采纳
我使用ray ()运行一个任务，将图像输入到从tensorflow.keras加载的盗梦空间v3网。我的任务如下(简化)：
from tensorflow.keras.applications import InceptionV3
@ray.remote
def predict(image):
model = InceptionV3(include_top=False, pooling='avg', input_shape=(1920, 1080, 3))
return model.predict(image)
我的机器有8个GPU，但我没有光线分配任务给所有
浏览 0提问于2019-11-07得票数 1
回答已采纳
1回答
keras模型不加载
、、、
我读过关于这方面的类似问题，至今仍感到困惑。在同一台计算机上，我正在训练一个模型并用
model.save(model_location)
type(model)
keras.engine.functional.Functional
然后，我将模型加载到
model = keras.models.load_model(model_location)
# model = tf.saved_model.load(model_location) results in the same
type(model)
<class 'tensorflow.python.saved_mod
浏览 8提问于2022-03-25得票数 2
我想教一个图像分类CNN，并使用Keras作为它。
图像尺寸为300x300x3。
我训练了一个2米参数的CNN，我用Keras的MobileNet进行传输学习，但是我冻结了最后63层，在底部增加了致密层，最后一层有2个单元和Softmax激活。
为了进行预测，我加载h5文件并使用OpenCV视频捕获来获取视频帧，对于我使用model.predict(img_array)的每一个帧。
当我查看Windows 10的任务管理器时，我看到Python脚本使用了我的处理器的%80，而使用了GPU的%2。这种CPU的使用会导致我的笔记本电脑出现滞后。
如何减少CPU的使用并迫使Keras使用GPU?进
浏览 2提问于2020-01-27得票数 0
所以当我得到这个错误的时候，我只是跟随了某个项目，并到达了这里： [2020-10-12 15:33:21,128] ERROR in app: Exception on /predict/ [POST]
Traceback (most recent call last):
File "c:\users\mr777\anaconda3\envs\gpu\lib\site-packages\flask\app.py", line 2447, in wsgi_app
response = self.full_dispatch_request()
File "
浏览 227提问于2020-10-13得票数 3
回答已采纳
2回答
Keras预测不会返回芹菜任务
、、、、
下面的Keras函数(预测)在同步调用时工作。
pred = model.predict(x)
但是当从异步任务队列(芹菜)中调用时，它不起作用。Keras预测函数在异步调用时不会返回任何输出。
堆栈是: Django，芹菜，Redis，Keras，TensorFlow
浏览 5提问于2017-08-02得票数 10
我的Keras版本是2.0.9，并且使用tensorflow后端。
我尝试在keras中实现。然而，在实践中，使用4个gpu进行训练甚至比使用1个gpu更糟糕。我对1个gpu有25秒，对4个gpu有50秒。你能告诉我为什么会发生这种情况吗？
用于multi_gpu_model的/blog
我在1个gpu上使用了这个推荐
CUDA_VISIBLE_DEVICES=0 python gpu_test.py
对于4个gpus，
python gpu_test.py
-Here是用于训练的源代码。
from keras.datasets import mnist
from keras.layers
浏览 1提问于2017-11-03得票数 4
我有连续的数据，我声明了一个LSTM模型，它在Keras中用x预测y。那么，如果我调用model.predict(x1)和model.predict(x2)，在两个predict()之间显式调用model.reset_states是否正确？model.reset_states是否清除输入的历史记录，而不是权重，对吗？
# data1
x1 = [2,4,2,1,4]
y1 = [1,2,3,2,1]
# dat2
x2 = [5,3,2,4,5]
y2 = [5,3,2,3,2]
在我的实际代码中，我使用了model.evaluate()。在evaluate()中，是否为每个数据样本隐式调用
浏览 1提问于2017-03-13得票数 12
回答已采纳
1回答
我正在尝试学习RNN模型。这是我构建的模型： N = 3 # number of samples
T = 10 # length of a single sample
D = 3 # number of features
K = 2 # number of output units
X = np.random.randn(N, T, D)
# Make an RNN
M = 5 # number of hidden units
i = tf.keras.layers.Input(shape=(T, D))
x = tf.keras.layers.SimpleRNN(M)(i)
x = t
浏览 17提问于2020-09-29得票数 0
回答已采纳
我有以下问题。我正在使用Tensorflow Keras模型来评估连续的传感器数据。我的模型输入由15个传感器数据帧组成。因为函数model.predict()花费了将近1秒的时间，所以我想异步执行这个函数，这样我就可以收集这段时间内的下一个数据帧。为此，我创建了一个具有多处理库和用于model.predict的函数的池。我的代码看起来像这样：
def predictData(data):
return model.predict(data)
global model
model = tf.keras.models.load_model("Network.h5")
m
浏览 0提问于2018-10-18得票数 1
1回答
我试图在实时运行的应用程序中运行一个在Keras中受过训练的RNN。在递归网络中的“时间”(它是一个LSTM)这里是数据被接收时的实际时刻。
我想以一种在线的方式获得RNN的输出。对于非递归模型，我只是将我的输入输入到形状inputDatum=1,input_shape中，并在其上运行Model.predict。我不确定这是为应用程序在Keras中使用前向传递的预期方法，但它对我起了作用。
但对于递归模块，Model.predict期望输入整个输入，包括时间维度。所以这不管用..。
在Keras中有什么方法可以这样做吗?还是我需要深入到Tensorflow并在那里实现操作？
浏览 1提问于2018-03-16得票数 4
回答已采纳
1回答
我在Keras中开发了一个模型，它在读取本地存储的数据时工作得很好。然而，我现在想利用Google平台的GPU来训练这个模型。我已经在GCP上安装了GPU，并且正在做一个木星笔记本。我已经把我的图片移到了。
我的问题是：
如何使用 类的Keras‘flow_from_directory方法直接从云存储访问这些映像(特别是目录--培训、验证、测试)？
以下是(GCS)中的目录结构：
mybucketname/
class_1/
img001.jpg
img002.jpg
...
class_2/
浏览 0提问于2018-04-19得票数 2
1回答
我试图保存keras完整的模型，但遇到了这个错误。
Traceback (most recent call last):
File "d:/Workspace/College/Semester 8/Tugas Akhir/Keras-RFCN-master/Keras-RFCN-master/testing.py", line 133, in <module>
main()
File "d:/Workspace/College/Semester 8/Tugas Akhir/Keras-RFCN-master/Keras-RFCN-master
浏览 2提问于2020-04-28得票数 0
回答已采纳
Keras将数据一批一批地加载到GPU上(作者注意到)。
对于小的数据集，这是非常低效的。有没有办法修改Keras或直接调用Theano函数(在Keras中定义模型之后)，以便提前将所有批处理移动到GPU，并使用GPU内存中已有的批处理完成训练？
(几周前，有人在上提出了同样的问题，但到目前为止还没有得到回复。)
浏览 19提问于2016-08-15得票数 6
下面是一个与在MLFlow中存储keras模型相关的简化代码段。
with mlflow.start_run() as run:
mlflow.keras.log_model(model,"lstm")
mlflow.log_params(model_parameters)
mlflow.log_metrics(model_metrics)
但是，假设每个模型都有一个对应的数据预处理函数，需要在预测之前应用于新的数据。
processed_data = custom_processing_function(new_data)
predictions =
浏览 0提问于2022-05-18得票数 0
回答已采纳
我有一个带有keras.models.Model的tf.keras.models.load_model。
现在有两个选项可以使用这个模型。我可以打电话给model.predict(x)，也可以打给model(x).numpy()。这两个选项都给出了相同的结果，但是model.predict(x)运行时间超过了10倍。
状态中的注释：
计算是分批进行的。该方法是针对大规模输入的性能而设计的。对于适合一批的少量输入，建议直接使用__call__以加快执行速度，例如，model(x)或model(x, training=False)
我已经用包含1、1,000,000和10,000,000行
浏览 2提问于2020-02-10得票数 3
回答已采纳
在TensorFlow的Dataset API中，我们可以在GPU处理当前批次的数据时使用dataset.prefetch(buffer_size=xxx)预加载其他批次的数据，因此可以充分利用GPU。
我打算使用Keras，不知道keras是否有类似的API让我可以充分利用图形处理器，而不是串行执行: read batch 0->process batch 0->read batch 1-> process batch 1-> ...
我简单浏览了一下keras应用程序接口，没有看到预取的描述。
浏览 14提问于2018-09-05得票数 13
1回答
我有一个train.py文件，通过tensorflow.keras训练神经网络模型，最好的模型将根据train_loss保存为best_train.h5。培训时间约为7天。 我有另一个文件test.py来测试在运行train.py期间保存的模型。在test.py模型中，我每小时加载一次best_train.h5以查看测试性能。代码如下： for i in range(7*24):
time.sleep(1*60*60)
model = tf.keras.models.load_model('best_train.h5')
model.predict(test_da
浏览 14提问于2020-07-22得票数 2
我已经写了一个函数，它使用以tensorflow为后端的keras使用vgg16网络来提取特征。问题是它默认在CPU上运行，而不是在GPU上运行。我确实有一台兼容GPU的机器，几天前，另一个代码(用于培训)正在使用GPU。我添加了这个代码片段，以强制它到GPU，但它仍然不能工作。
import tensorflow as tf
from keras import backend as K
GPU = True
CPU = False
num_cores = 4
if GPU:
num_GPU = 1
num_CPU = 1
if CPU:
num_CPU = 1
浏览 0提问于2017-07-20得票数 2
3回答
我已经根据我的数据训练了ResNet50模型。我希望在进行预测时获得自定义层的输出。我尝试使用下面的代码获取自定义层的输出，它以张量格式给出数据，但我需要NumPy array格式的数据。我试图将张量转换为NumPy数组，但是得到了错误，我遵循了这个，但这没有帮助
任何人能分享一些想法吗，任何建议都会很有帮助。
from keras.models import load_model
import tensorflow as tf
import numpy as np
config = tf.ConfigProto()
config.gpu_options.allow_growth = Tru
浏览 7提问于2020-09-22得票数 1
回答已采纳
2回答
我正在使用Keras，我正在尝试使用Keras抽象后端重写categorical_crossentropy，但是我被困住了。
这是我的自定义函数，我只想要交叉熵的加权和：
def custom_entropy( y_true, y_pred):
y_pred /= K.sum(y_pred, axis=-1, keepdims=True)
# clip to prevent NaN's and Inf's
y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
loss = y_true *
浏览 0提问于2017-11-29得票数 7
回答已采纳
1回答
使用Keras进行实时训练和预测
、、、、
我想使用Keras进行实时训练和预测设置。在我的场景中，我通过MQTT获得实时数据，这些数据应该用于训练(LSTM)神经网络和/或将它们应用于以获得预测。
我使用的是Tensorflow后端，具有GPU支持和相当强大的GPU容量，但在我的方案中，Keras并没有真正从GPU加速中获益。(我使用keras存储库中的示例进行了一些性能测试，以确保GPU加速总体上可以正常工作)。在我的第一种方法中，我使用model.train_on_batch(...)方法来训练网络，每个项目都来自MQTT：
model = load_model()
def on_message(msg):
"&
浏览 1提问于2016-11-17得票数 5
我正在学习Tensorflow，并试图在时装MNIST数据集上构建一个分类器。我可以对模型进行拟合，但当我试图对测试集进行预测时，我会得到以下错误：
y_pred = model.predict(X_test).argmax(axis=1)
InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat
例如，如果我对X_test进行批量预测，就不会出现错误：
y_pred
浏览 1提问于2021-11-22得票数 1
回答已采纳
对于下面的代码，为什么TF2.0中的模型预测可以工作，但模型(数据)失败？
from tensorflow.keras import layers,Input
import tensorflow as tf
input_layer = Input(1)
d1 = layers.Dense(64, activation='relu')(input_layer)
d2 = layers.Dense(3, activation='relu')(d1)
model = tf.keras.Model(inputs=[input_layer], outputs=d2)
da
浏览 0提问于2020-03-03得票数 1
在使用Keras完成模型训练后，我正在尝试使用Keras的model.predict()，以便在新的输入上测试模型。 当我训练模型时，我用Scikit Learn的MinMaxScaler()对我的训练数据进行了标准化。 在使用model.predict()时，我是否也需要对数据进行标准化？如果是这样，我该怎么做呢？
浏览 69提问于2021-06-25得票数 0
回答已采纳
这是我用于模型预测的python代码。
import csv
import numpy as np
np.random.seed(1)
from keras.models import load_model
import tensorflow as tf
import pandas as pd
import time
output_location='Desktop/result/'
#load model
global graph
graph = tf.get_default_graph()
model = load_model("newmodel.h5"
浏览 0提问于2018-07-26得票数 0
回答已采纳
我目前正在使用TFJS3.8在客户端加载一个分段模型(作为tf.GraphModel加载)。为了创建输入Tensor，我调用了browser.fromPixels(imageData)，它从同样位于CPU上的Tensor对象创建CPU上的ImageData。由于我使用的是tfjs的webgl后端，所以在调用model.predict(tensor)函数时，数据会被发送到GPU。所有这些都运行得很好，除了我的ImageData对象是从带有WebGLRenderingContext的画布上的图像创建的，这意味着它来自GPU。这种GPU->CPU->GPU数据传输正在减慢我的进程，我正
浏览 42提问于2021-10-22得票数 1
回答已采纳
在谷歌colab工作。使用tf.keras和tensorflow version2.3.0我快疯了，因为我不能使用我训练的模型通过model.predict运行预测，因为它耗尽了CPU RAM。我已经能够用一个非常小的例子重现这个问题。
import numpy as np
import tensorflow as tf
from tensorflow.keras import backend as K
from tensorflow.keras.layers import Input,Conv2D, Activation
matrixSide = 512 #define a big eno
浏览 0提问于2020-10-05得票数 5
2回答
我训练了一个模型来对7种不同类型的图片进行分类。我的模型只能做一个特定的预测(在我的例子中是numpy.ndarray)，但是我感兴趣的是一个更像概率的预测(例如90%的class1和80%的class2 ...etc)。我现在应该修改的代码部分在哪里？如何使用列车模型得到正确的概率值？
import tensorflow as tf
from tensorflow.keras.layers import Input, Lambda, Dense,Flatten
from tensorflow.keras.models import Model
from tensorflow.keras.ap
浏览 10提问于2022-05-03得票数 -1
回答已采纳
我在理解构建tensorflow模型和预处理pandas Dataframe时遇到问题。
我一直在遵循这个文档：
第一个问题：
dataset = tf.data.Dataset.from_tensor_slices((df.values, target.values))
train_dataset = dataset.shuffle(len(df)).batch(1)
def get_compiled_model():
model = tf.keras.Sequential([
tf.keras.layers.Dense(10, activation='relu'
浏览 0提问于2020-05-06得票数 1
1回答
我试图在Keras模型中使用一个具有状态的共享LSTM层，但是内部状态似乎被每一次并行使用所修改。这就提出了两个问题：
当使用共享的LSTM层训练模型并使用stateful=True时，并行使用是否在培训期间更新相同的状态？
如果我的观察是有效的，那么是否有一种方法可以使用均分LSTM，以便为每个并行用途独立地存储状态？
下面的代码举例说明了共享LSTM的三个序列的问题。对一个完整输入的预测与将预测输入分成两半并连续输入网络的结果进行了比较。
可以观察到的是，a1和aFull的前半部分是一样的，这意味着在第一次预测中，LSTM的使用实际上是与独立状态平行的。也就是说，z1不受创
浏览 3提问于2019-12-11得票数 1
1回答
我有一个训练有素的keras模型和一个实现keras.utils.Sequence的自定义DataSet。现在，对于给定的数值，我希望预测模型输出，并将其保存为DataSet数组以供进一步计算。现在我需要验证数据的顺序，这样我才能知道哪个预测属于哪个输入数据。我想使用尽可能多的内置功能来利用keras的gpu和并行计算能力。 我的代码： # load model
model = keras.models.load_model(model_path)
# data is my Dataset, implementing tensorflow.keras.utils.Sequence
prin
浏览 15提问于2020-09-28得票数 0
回答已采纳
下面是一个简单的tensorflow函数API模型。
input1 = tf.keras.layers.Input(shape=(2,), dtype='float32')
output1 = tf.keras.layers.Dense(2)(input1)
model = tf.keras.Model(inputs=input1, outputs=output1)
在函数API的一些例子中，输出是使用model()获得的，但是也有model.predict()。
用我上面的例子，预测作品：
model.predict([[[1.1, 2.2]]])
>> arra
浏览 4提问于2020-02-22得票数 0
回答已采纳
1回答
如何在GPU上运行Keras？
、、、、
我试图使用GPU在远程服务器上运行我的ML任务。我打字
nvidia
我确信这个设备有一个GPU。
我正在使用Keras编写我的ML任务。我打算在一个GPU上执行我的任务。但我就是不能让这个程序在GPU上运行。我已经检查了正在运行的进程，我的任务不是其中之一。
我试图在代码中使用多种方法打印出可用的设备，但它们没有显示我有GPU。
从tensorflow.python.client导入device_lib
打印(device_lib.list_local_devices())
这给了我：
[名称："/device:CPU:0“device_type："CPU”
浏览 5提问于2022-06-15得票数 0
我正在研究keras中的seq2seq模型，例如，来自keras或这的这个博客帖子。我看到的所有例子都有一些推理模型，描述了原来的模型。然后使用该推理模型进行预测。
我的问题是为什么我们不能直接做model.predict()。我的意思是，我们可以这样做，因为我已经使用了它，它可以工作，但是这两种方法之间有什么区别呢？使用model.predict()并为argmax做反向单词标记器是错误的吗？
浏览 0提问于2021-08-10得票数 1
回答已采纳
利用Keras序列模型预测得到类标签，我们可以这样做
yhat_classes1 = Keras_model.predict_classes(predictors)[:, 0] #this shows deprecated warning in tf==2.3.0
WARNING:tensorflow:From <ipython-input-54-226ad21ffae4>:1: Sequential.predict_classes (from tensorflow.python.keras.engine.sequential) is deprecated and will be
浏览 0提问于2020-08-04得票数 3
回答已采纳
1回答
我试图加载我训练过的模型来进行预测，但当我调用model.predict()时，我得到了一个错误(见下文)。该模型在2个GPU上使用MirroredStrategy()进行训练。有人能告诉我为什么会出现这个错误吗？
代码：
from tensorflow.keras.models import load_model
from tensorflow.keras import backend as K
smooth = 1
def dice_coef(y_true, y_pred):
y_true_f = K.flatten(y_true)
y_pred_f = K.flatte
浏览 13提问于2020-02-21得票数 1
回答已采纳
我刚接触Keras和python，现在我正在使用Keras来寻找数据模型并使用该model.predict进行优化，但是model.predict只能将输入作为至少包含2个元素的numpy数组。
我的代码是
import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
import numpy as np
x = np.arange(-2,3.0,0.01)
y = x**2 - 2*x + 1
model = Sequenti
浏览 14提问于2016-09-13得票数 3
回答已采纳
我正在用8个gpus在超级计算机上运行我的代码。虽然，我分配了8个gpus，但其中一个刚刚被占用。我在网站上看到了一些注释，似乎Tensorflow会自动使用gpu，如果它是适用的，但我仍然不知道如何使用所有的gpu。代码只是一个深网络，需要使用model.fit()进行训练，然后使用model.predict()来预测测试数据。
浏览 0提问于2021-03-06得票数 2
我尝试在cloud ml (google cloud platform)上使用tensorflow后端运行Keras。我发现keras似乎并不使用GPU。在我的CPU上运行一个时期的性能是190秒，等于我在转储的日志中看到的。有没有办法识别代码是在GPU中运行还是在keras中的CPU中运行？有人尝试过在云ML上运行张量流后端的Keras吗？？
浏览 0提问于2016-11-17得票数 1
1回答
基于keras的多类分类
、、、
我正在开发一个神经网络，以便用k均值预先计算的类进行分类。
数据集看起来如下：
50,12500,2,1,5
50,8500,2,1,15
50,6000,2,1,9
50,8500,2,1,15
结果行是最后一行。下面是使用Keras的PythonPythonPythonPythonKeras的代码：
import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense,Dropout
from keras.wrappers.scikit_learn import Keras
浏览 1提问于2017-03-18得票数 3
回答已采纳
我对Keras很陌生，我正在尝试编写我的第一段代码。我想知道“model.predict”应该返回什么。下面是一个简单的模型。
model = keras.Sequential()
model.add(keras.layers.Dense(12, input_dim=232, activation='relu'))
model.add(keras.layers.Dense(232, activation='relu'))
model.add(keras.layers.Dense(1, activation='sigmoid'))
# compil
浏览 6提问于2022-05-15得票数 2
2回答
加速Keras模型的推理
、、、、
我有一个Keras模型，它在Raspberry Pi (用相机)上进行推理。覆盆子Pi有一个非常慢的CPU (1.2.GHz)和没有CUDA GPU，所以model.predict()阶段需要很长时间(~20秒)。我正在寻找办法尽可能地减少这一点。我试过：
超过CPU (+ 200 MhZ)并获得几秒的额外性能。
使用浮标16而不是32。
尽可能减少图像输入的大小。
，我还能做些什么来提高推理的速度吗？有没有一种方法可以简化model.h5并降低准确度？我已经在简单的模型上取得了成功，但是对于这个项目，我需要依赖现有的模型，这样我就不能从头开始训练了。
浏览 0提问于2017-10-16得票数 7
回答已采纳
我有点搞不懂我对我受过良好训练的角模特的看法。我使用的是通过pip install tensorflow-gpu安装tensorflow-gpu=1.13.1的virtualenv。下面是一个可以运行的最小工作示例， (希望这些示例已经更新)。此外，我并将其保存为elephant.jpeg。
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50
浏览 0提问于2019-08-16得票数 0
回答已采纳
1回答
系统信息
Windows 10
TensorFlow后端(是/否)：是
TensorFlow版本: 1.14.0
Keras版本: 2.24
Python版本: 3.6
CUDA/cuDNN版本: 10
GPU模型和内存: gtx 1050 ti
描述当前行为
我是通过conda安装的。然后我试着运行以下代码：
import tensorflow as tf
import keras
import numpy as np
model = keras.Sequential([keras.layers(units=1, input_shape=[1])])
浏览 2提问于2019-08-19得票数 1
回答已采纳
我在我的anaconda中安装了TensorFlow-GPU2.0，当我安装并导入包，然后运行我的CNN模型时，它正常工作，但是当我尝试运行培训模型时，会出现错误。
这是我的错误报告：
Epoch 1/50
---------------------------------------------------------------------------
UnknownError Traceback (most recent call last)
<ipython-input-5-c4639d74909a> in <
浏览 3提问于2019-11-24得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
云直播
对象存储活动推荐
腾讯云开发者
