2024-04-25 04:59:21 发布
网友
Keras OCR示例演示了一个非常简单的OCR系统,该系统使用堆叠的CNN和RNN开发。但是在训练之后如何使用训练的模型来预测结果呢?Link for image_ocr
使用model.fit()函数拟合模型后:
model.fit()
model.fit(X_training_data,Y_training_data,...)
您可以使用model.evaluate()评估模型,如下所示:
model.evaluate()
如果要保存模型:
model.save('my_nn.hdf5')
请注意,将X和y数据拆分为训练和测试数据集的最简单方法就是获取前N个观测值,并将这些作为测试数据集,其余的作为测试数据集。有时测试和培训集会为您拆分,例如NIST's optical digit recognition data set:
testing_df = pd.read_csv('data/optdigits/optdigits.tes',header=None) X_testing, y_testing = testing_df.loc[:,0:63], testing_df.loc[:,64] training_df = pd.read_csv('data/optdigits/optdigits.tra',header=None) X_training, y_training = training_df.loc[:,0:63], training_df.loc[:,64]
这个例子将测试和训练集分成(a)一个64元素向量[:,0:63],其中包含该数字的灰度图像的64个像素,以及(b)一个包含图像所代表的数字的1元素向量[:,64]。在
[:,0:63]
[:,64]
使用
model.fit()
函数拟合模型后:您可以使用
^{pr2}$model.evaluate()
评估模型,如下所示:如果要保存模型:
请注意,将X和y数据拆分为训练和测试数据集的最简单方法就是获取前N个观测值,并将这些作为测试数据集,其余的作为测试数据集。有时测试和培训集会为您拆分,例如NIST's optical digit recognition data set:
这个例子将测试和训练集分成(a)一个64元素向量
[:,0:63]
,其中包含该数字的灰度图像的64个像素,以及(b)一个包含图像所代表的数字的1元素向量[:,64]
。在相关问题 更多 >
编程相关推荐