Để dự đoán các chữ số trong một dữ liệu không nhìn thấy là rất dễ dàng. Bạn chỉ cần gọi phương thức predict_classes của mô hình bằng cách chuyển nó tới một vectơ bao gồm các điểm dữ liệu chưa biết của bạn.

predictions = model.predict_classes(X_test)

Cuộc gọi phương thức trả về các dự đoán trong một vectơ có thể được kiểm tra 0 và 1 so với các giá trị thực. Điều này được thực hiện bằng cách sử dụng hai câu lệnh sau

correct_predictions = np.nonzero(predictions == y_test)[0]
incorrect_predictions = np.nonzero(predictions != y_test)[0]

Cuối cùng, chúng tôi sẽ in số lượng dự đoán đúng và sai bằng cách sử dụng hai câu lệnh chương trình sau

print(len(correct_predictions)," classified correctly")
print(len(incorrect_predictions)," classified incorrectly")

Khi bạn chạy mã, bạn sẽ nhận được đầu ra sau

9837 classified correctly
163 classified incorrectly

Bây giờ, khi bạn đã huấn luyện mô hình một cách thỏa đáng, chúng tôi sẽ lưu nó để sử dụng trong tương lai.

Deep Learning – Saving Model

Chúng tôi sẽ lưu mô hình được đào tạo trong ổ đĩa cục bộ của chúng tôi trong thư mục mô hình trong thư mục làm việc hiện tại của chúng tôi. Để lưu mô hình, hãy chạy đoạn mã sau

directory = "./models/"
name = 'handwrittendigitrecognition.h5'
path = os.path.join(save_dir, name)
model.save(path)
print('Saved trained model at %s ' % path)

Đầu ra sau khi chạy mã được hiển thị bên dưới

Bây giờ, khi bạn đã lưu một mô hình được đào tạo, bạn có thể sử dụng nó sau này để xử lý dữ liệu chưa biết của mình.

Đang tải mô hình dự đoán

Để dự đoán dữ liệu chưa xem, trước tiên bạn cần tải mô hình được đào tạo vào bộ nhớ. Điều này được thực hiện bằng cách sử dụng lệnh sau –

model = load_model (‘./models/handwrittendigitrecognition.h5’)

Lưu ý rằng chúng tôi chỉ tải tệp .h5 vào bộ nhớ. Điều này thiết lập toàn bộ mạng thần kinh trong bộ nhớ cùng với các trọng số được gán cho mỗi lớp. Bây giờ, để thực hiện các dự đoán của bạn trên dữ liệu chưa nhìn thấy, hãy tải dữ liệu, để nó là một hoặc nhiều mục, vào bộ nhớ. Xử lý trước dữ liệu để đáp ứng các yêu cầu đầu vào của mô hình của chúng tôi như những gì bạn đã làm đối với dữ liệu thử nghiệm và đào tạo ở trên. Sau khi tiền xử lý, hãy đưa nó vào mạng của bạn. Mô hình sẽ đưa ra dự đoán của nó

Deep Learning – Kết luận

Keras cung cấp API cấp cao để tạo mạng lưới thần kinh sâu. Trong hướng dẫn này, bạn đã học cách tạo một mạng thần kinh sâu được đào tạo để tìm các chữ số trong văn bản viết tay. Một mạng nhiều lớp đã được tạo ra cho mục đích này. Máy ảnh cho phép bạn xác định chức năng kích hoạt mà bạn chọn ở mỗi lớp. Sử dụng giảm dần độ dốc, mạng đã được đào tạo trên dữ liệu đào tạo. Độ chính xác của mạng được đào tạo trong việc dự đoán dữ liệu chưa nhìn thấy đã được kiểm tra trên dữ liệu thử nghiệm. Bạn đã học cách vẽ biểu đồ các số liệu về độ chính xác và lỗi. Sau khi mạng được đào tạo đầy đủ, bạn đã lưu mô hình mạng để sử dụng trong tương lai.