加载keras模型结果不一样

编程问答 2022-05-02

问题描述

我正在尝试构建 LSTM 模型以检测文本的情绪。 （0 -> 正常，1 -> 可恶）在我训练我的模型后，我将一些文本发送到我的模型进行预测。预测的结果和我预期的一样。但是，将模型加载为“h5”文件后，即使发送相同的文本，也无法获得相同的准确度。这是我的训练代码：


    texts = tweets['text']
    labels = tweets['label']

    labels = LabelEncoder().fit_transform(labels)
    labels = labels.reshape(-1,1)

   
    X_train,X_test,Y_train,Y_test = train_test_split(texts,labels,test_size=0.20)

    tokenizer.fit_on_texts(X_train)
    sequences = tokenizer.texts_to_sequences(X_train)
    sequences_matrix = sequence.pad_sequences(sequences,maxlen=max_len)

    inputs = Input(name='inputs',shape=[max_len])
    layer = Embedding(max_words,50,input_length=max_len)(inputs)
    layer = LSTM(64)(layer)
    layer = Dense(256,name='FC1')(layer)
    layer = Activation('relu')(layer)
    layer = Dropout(0.5)(layer)
    layer = Dense(1,name='out_layer')(layer)
    layer = Activation('sigmoid')(layer)
    model = Model(inputs=inputs,outputs=layer)

    earlyStopping = EarlyStopping(monitor='val_loss',min_delta=0.0001,restore_best_weights=False)

    model.summary()
    model.compile(loss='binary_crossentropy',optimizer=RMSprop(),metrics=['accuracy'])
    model.fit(sequences_matrix,batch_size=128,shuffle=True,epochs=10,validation_split=0.2,callbacks=[earlyStopping])

 
    model.save("ModelsDL/LSTM.h5")


    test_sequences = tokenizer.texts_to_sequences(X_test)
    test_sequences_matrix = sequence.pad_sequences(test_sequences,maxlen=max_len)

    accr = model.evaluate(test_sequences_matrix,Y_test)

    print('Test set\n  Loss: {:0.3f}\n  Accuracy: {:0.3f}'.format(accr[0],accr[1]))


    texts = ["hope","feel relax","feel energy","peaceful day"]

    tokenizer.fit_on_texts(texts)
    test_samples_token = tokenizer.texts_to_sequences(texts)
    test_samples_tokens_pad = pad_sequences(test_samples_token,maxlen=max_len)

    print(model.predict(x=test_samples_tokens_pad))

    del model

print(model.predict(x=test_samples_tokens_pad)) 的输出是：

 [[0.0387207 ]
 [0.02622151]
 [0.3856796 ]
 [0.03749594]]

具有“正常”情绪的文本结果更接近于 0。此外，具有“仇恨”情绪的文本结果更接近于 1。

正如您在输出中看到的，我的结果是一致的，因为它们具有“正常”情绪。

但是，我加载模型后，总是遇到不同的结果。这是我的代码：

texts = ["hope","peaceful day"] # same texts

model = load_model("ModelsDL/LSTM.h5")
tokenizer.fit_on_texts(texts)
test_samples_token = tokenizer.texts_to_sequences(texts)
test_samples_tokens_pad = pad_sequences(test_samples_token,maxlen=max_len)

print(model.predict(x=test_samples_tokens_pad))

print(model.predict(x=test_samples_tokens_pad)) 的输出：

[[0.9838583 ]
 [0.99957573]
 [0.9999665 ]
 [0.9877912 ]]

如您所见，相同的 LSTM 模型将文本视为具有可恶的上下文。

遇到这个问题我该怎么办？

编辑：我解决了这个问题。我保存了模型训练时使用的标记器。然后，我在 tokenizer.fit_on_texts(texts) 之前为预测文本加载了该分词器。

解决方法

在您的测试列车拆分代码上，您需要给出一个随机状态以获得类似的结果。例如； X_train,X_test,Y_train,Y_test = train_test_split(texts,labels,test_size=0.20,random_state=15)。 尝试每个状态，如 1,2,3,4....一旦你得到你喜欢的结果，你可以保存它并在相同的随机状态之后使用。希望它能解决你的问题。

deep-learningkeraskeraslstmlstmpythonsentiment-analysis