编译 Keras 模型

一文看懂 Keras 模型的训练与预测流程 本文详细介绍了Keras深度学习模型的完整流程,包括数据准备、模型构建、训练与预测方法。首先展示如何用NumPy准备数据集并构建Sequential模型,详细解释全连接层、激活函数的选择。接着说明模型编译方法,包括优化器、损失函数和评估指标的设置,并演示fit()训练过程。在预测部分,介绍predict()方法的使用及概率到类别的转换技巧。最后讲解模型保存与加载的实用方法,帮助开发者快速部署Keras模型。全文通过代码示例,系统性地呈现了Keras训练与预测的核心操作流程。 阅读详情

本篇文章译自英文文档 Compile Keras Models

作者是 Yuwei Hu

更多 TVM 中文文档可访问 →TVM 中文站。

本文介绍如何用 Relay 部署 Keras 模型。

首先安装 Keras 和 TensorFlow,可通过 pip 快速安装:

pip install -U keras --user
pip install -U tensorflow --user

或参考官网:https://keras.io/#installation

import tvm
from tvm import te
import tvm.relay as relay
from tvm.contrib.download import download_testdata
import keras
import tensorflow as tf
import numpy as np

加载预训练的 Keras 模型

加载 Keras 提供的预训练 resnet-50 分类模型:

if tuple(keras.__version__.split(".")) < ("2", "4", "0"):
    weights_url = "".join(
        [
            "https://github.com/fchollet/deep-learning-models/releases/",
            "download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h5",
        ]
    )
    weights_file = "resnet50_keras_old.h5"
else:
    weights_url = "".join(
        [
            " https://storage.googleapis.com/tensorflow/keras-applications/",
            "resnet/resnet50_weights_tf_dim_ordering_tf_kernels.h5",
        ]
    )
    weights_file = "resnet50_keras_new.h5"

weights_path = download_testdata(weights_url, weights_file, module="keras")
keras_resnet50 = tf.keras.applications.resnet50.ResNet50(
    include_top=True, weights=None, input_shape=(224, 224, 3), classes=1000
)
keras_resnet50.load_weights(weights_path)

加载测试图像

这里使用的还是先前猫咪的图像:

from PIL import Image
from matplotlib import pyplot as plt
from tensorflow.keras.applications.resnet50 import preprocess_input

img_url = "https://github.com/dmlc/mxnet.js/blob/main/data/cat.png?raw=true"
img_path = download_testdata(img_url, "cat.png", module="data")
img = Image.open(img_path).resize((224, 224))
plt.imshow(img)
plt.show()
# 预处理输入
data = np.array(img)[np.newaxis, :].astype("float32")
data = preprocess_input(data).transpose([0, 3, 1, 2])
print("input_1", data.shape)

请添加图片描述

输出结果:

input_1 (1, 3, 224, 224)

使用 Relay 编译模型

将 Keras 模型(NHWC 布局)转换为 Relay 格式(NCHW 布局):

shape_dict = {"input_1": data.shape}
mod, params = relay.frontend.from_keras(keras_resnet50, shape_dict)
# 编译模型
target = "cuda"
dev = tvm.cuda(0)

# TODO(mbs):opt_level=3 导致 nn.contrib_conv2d_winograd_weight_transform
# 很可能由于潜在的错误,最终出现在 cuda 上的内存验证失败的模块中。
# 注意:只能在 evaluate() 中传递 context,它不被 create_executor() 捕获。
with tvm.transform.PassContext(opt_level=0):
    model = relay.build_module.create_executor("graph", mod, dev, target, param).evaluate()

在 TVM 上执行

dtype = "float32"
tvm_out = model(tvm.nd.array(data.astype(dtype)))
top1_tvm = np.argmax(tvm_out.numpy()[0])

查找分类集名称

在 1000 个类的分类集中,查找分数最高的第一个:

synset_url = "".join(
    [
        "https://gist.githubusercontent.com/zhreshold/",
        "4d0b62f3d01426887599d4f7ede23ee5/raw/",
        "596b27d23537e5a1b5751d2b0481ef172f58b539/",
        "imagenet1000_clsid_to_human.txt",
    ]
)
synset_name = "imagenet1000_clsid_to_human.txt"
synset_path = download_testdata(synset_url, synset_name, module="data")
with open(synset_path) as f:
    synset = eval(f.read())
print("Relay top-1 id: {}, class name: {}".format(top1_tvm, synset[top1_tvm]))
# 验证 Keras 输出的正确性
keras_out = keras_resnet50.predict(data.transpose([0, 2, 3, 1]))
top1_keras = np.argmax(keras_out)
print("Keras top-1 id: {}, class name: {}".format(top1_keras, synset[top1_keras]))

输出结果:

Relay top-1 id: 285, class name: Egyptian cat
Keras top-1 id: 285, class name: Egyptian cat

下载 Python 源代码:from_keras.py

下载 Jupyter Notebook:from_keras.ipynb

Keras学习笔记(二):Sequential模型实践及model方法文档 https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/ 阅读详情

相关推荐

TVM编译Keras模型

TVM官网链接 Compile Keras Models 本文是介绍如何使用Relay部署keras模型的入门教程。 首先,应该安装keras。 还需要Tensorflow,因为它被用作keras的默认后端。 一个快速的解决方案是通过pip安装 pip install -U keras --user pip install -U tensorflow --user 或请参阅官方网站https://keras.io/#installation import tvm from tvm import te im

qq_33287871的博客 361

Keras-模型编译

Keras-模型编译 (Keras - Model Compilation) Advertisements 广告 Previous Page 上一页 Next Page 下一页 Previously, we studied the basics of how to create model using Sequential and Functional API...

cunzai1985的博客 2016

Keras中的VGG16预训练模型实战指南

VGG16是卷积神经网络(CNN)的一种架构,由牛津大学的视觉几何组(Visual Geometry Group)提出。该模型在2014年的ImageNet图像识别挑战赛中获得了显著的成绩,至今仍是深度学习领域的经典之作。VGG16以简单直接的结构,深度的网络层次和大量的参数而著称,尤其在图像处理和识别任务中表现出色。Keras是一个高层神经网络API,它由纯Python编写,能够运行在TensorFlow、CNTK或Theano之上。Keras的设计理念在于模块化、最小化与可扩展性。

weixin_42126677的博客 969

Keras的基本使用(1)--创建,编译,训练模型

参考链接:https://blog.youkuaiyun.com/yuezhilanyi/article/details/79201705 Keras 是一个用 Python 编写的,高级的神经网络 API,使用 TensorFlow,Theano 等作为后端。快速,好用,易验证是它的优点。 官方文档传送门:http://keras.io/ 中文文档传送门:http://keras.io/zh 中文第三方文...

yimixgg的博客 3167

ROS实践(四)机器人SLAM建图(gmapping)

本文介绍了SLAM技术及其实现方法。SLAM(同步定位与地图构建)让机器人在未知环境中通过传感器数据自主定位并构建地图。文章详细讲解了激光雷达、RGBD相机等常用传感器,以及gmapping和map_server这两个ROS功能包的使用方法。重点阐述了SLAM建图实验步骤:配置gmapping节点参数、启动机器人仿真、运行gmapping节点、使用rviz可视化工具、通过键盘遥控机器人完成地图构建并保存。实验结果表明,该方法能有效实现机器人自主建图功能,为后续导航等应用奠定基础。

qq_1033275663的博客 4343

使用Typora时LaTeX内联公式简单汇总

0、前言 在使用Typora写笔记时,有时候需要添加上LaTeX排版的公式。以下是整理出的一份简单笔记,方便记忆不清楚时查阅。笔记暂时不够完善,之后再补充。 注:有些公式语法KateX不能解析,但在Typora中可以使用(不用在意) 1、一些基本内联公式 位置关系 展示 LaTeX 说明 x2x^{2}x2 x^{2} 右上标 x2x_{2}x2​ x_{2} 右下标 2x{}^{2}x2x {}^{2}x 左上标 2x{}_{2}x2​x {}_{2}x 左下标

白白旧维的博客 4446

c调用python keras模型_在c++中调用keras模型--编译tensorflow并且部署在多台电脑上

1、前言目前在很多深度学习的模型都是使用python实现的,也都得到的不错的测试效果,这些过程都是python环境下实现的。但是,真正将训练完成的模型运用到实际中,大部分情况下都是需要在c++环境下实现,那么如何c++中调用深度学习模型呢?、当前的深度学习框架主要包括pytorch、tensorflow/keras等两大主流,以及其他框架。tensorflow在开发时已经有c++的接口,所以我们只...

weixin_39916479的博客 329

某程token参数逆向分析

作者声明:文章仅供学习交流与参考!严禁用于任何商业与非法用途!否则由此产生的一切后果均与作者无关!如有侵权,请联系作者本人进行删除!

weixin_73499887的博客 2883

Keras学习记录之模型编译-训练-评估-预测

Keras的模型编译的语法格式为: 但我们最常用的还是以下这种: 在完成了模型的构建后, 可以使用 来配置学习过程 在训练模型之前,需要配置学习过程,这是通过 compile 方法完成的。它接收三个参数: 如果需要,你还可以进一步地配置你的优化器。Keras 的核心原则是使事情变得相当简单,同时又允许用户在需要的时候能够进行完全的控制(终极的控制是源代码的易扩展性)。 此外还可以根据问题种类进行细分 模型训练 fit调用格式 迭代训练参数格式为: 参数 。 如果模型中的输入层被命名,你也可以传递一个字典

pengxiang1998的博客 2133

ZXDoc工业级CAN总线仿真工具全解析与应用实践

CAN总线作为现代工业通信的核心协议,其仿真技术是汽车电子和工业控制领域的关键支撑。通过物理层信号模拟、协议层报文解析和应用层人机交互的三维仿真,开发者能够构建完整的硬件在环测试环境。ZXDoc作为工业级仿真工具,集成了DBC工程化管理、HMI面板设计和自动化测试脚本等核心功能,特别适用于ECU开发、产线验证等场景。工具支持ISO11898标准协议,提供错误帧注入、负载压力测试等高级特性,结合Python API可实现复杂测试用例的自动化执行。在新能源车VCU测试等实践中,通过优化采样点等参数配置,显著提升

weixin_30096975的博客 474

Solidworks钣金设计:折弯系数、K因子与折弯扣除的实战应用解析

本文深入解析Solidworks钣金设计中折弯系数、K因子与折弯扣除的核心概念与实战应用。通过厘清三者间的逻辑关系与换算方法,并结合材料特性、工艺参数及车间实测,指导工程师精准确定展开长度,确保设计图纸与加工实物的一致性,有效提升钣金件设计精度与生产效率。

weixin_29268267的博客 927

编译tensorflow CPU版本的C++库以及C++中调用Keras模型

最近要将keras训练的模型部署在c++的工程中自己找了很多的资料,第一次尝试遇到了很多的坑,用了差不多一个星期终于能实现在c++的环境中调用keras训练出的模型,其实还是主要是将keras的H5模型转化成tensorflow的pb模型,然后编译c++的tensorflow调用pb模型。

WK785456510的博客 3094

FPGA设计-Vivado的Off-Chip Termination设置问题

经常遇到在FPGA设计时,很多人很迷惑这些关于硬件的终端匹配怎么设置,Vivado的Off-Chip Termination设置问题,这里就详细说一下这个问题。

whm128的博客 2728

Keras 3模型编译:损失函数、优化器、度量标准的配置

在深度学习工作流中,模型编译(Model Compilation)是连接模型架构与训练过程的关键桥梁。通过`model.compile()`方法,Keras 3允许开发者配置三大核心组件:**损失函数(Loss Function)**、**优化器(Optimizer)** 和**度量标准(Metric)**。这三者共同决定了模型如何学习、如何优化参数以及如何评估性能。本文将系统解析这三大组件的配置...

gitblog_00480的博客 1001

从0开始图形学(光栅化)

从0开始图形学

A112459的专栏 2397

Android14 SystemUI如何实现下拉菜单栏高斯模糊背景效果(类似于毛玻璃效果)

我们都知道,从Android12起,下拉菜单栏控制中心都是黑色的,看起来非常不美观,而且国内的手机系统UI都做的比较美观,大部分的下拉菜单UI背景都是实现了高斯模糊效果,所以客户也会要求实现类似于这样的效果。在以前的Android项目中,实现下拉菜单栏的模糊背景就是通过截图的方式进行替换背景,而这种方式下拉菜单背景极易替换不了,就算是在各个地方都适配,还是有概率在复杂场景或者一些测试手法下出现背景是黑的情况,并且这种方式还比较影响性能,毕竟每次都要去截图一次,多做了额外的事。

热衷于Android Framework和系统APP的修改经验分享 1799

gin 编译路径错误_在c++中调用keras模型--编译tensorflow并且部署在多台电脑上

1、前言目前在很多深度学习的模型都是使用python实现的,也都得到的不错的测试效果,这些过程都是python环境下实现的。但是,真正将训练完成的模型运用到实际中,大部分情况下都是需要在c++环境下实现,那么如何c++中调用深度学习模型呢?、当前的深度学习框架主要包括pytorch、tensorflow/keras等两大主流,以及其他框架。tensorflow在开发时已经有c++的接口,所以我们只...

weixin_36465618的博客 157

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

一个简单的keras的模型创建,编译与优化器

import tensorflow as tf import tensorflow.keras.layers as layers import tensorflow.keras.optimizer as optimizer #神经网络的模型构建 model=tf.keras.Sequential() model.add(layers.Dense(256,activation="relu")) model.add(layers.Dense(128,activation="relu")) model.add(l

veryverycold的博客 357

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

python model.compile_Keras:尽管使用了compile(),但“在使用之前必须编译模型”

我想创建和训练一个CNN模型在凯拉斯的钞票分类。创建模型在简单的教程中可以很好地工作,但在我从这个paper中采用的体系结构中不行。Keras输出:调用fit_generator()后的RuntimeError('You must compile your model before using it.')。如果相关的话,我使用tensorflow后端。模型在model.py中定义:from ker...

weixin_39539764的博客 655

Keras文档学习01.序贯模型&数据尺寸&编译&训练

关键词:Sequential、input_shape(input_dim)、compile(3个参数)、fit 参考地址:文档对应位置 1.两种搭建方法: 【1】可以通过向Sequential模型传递一个layer的list来构造该模型,就是“一次完成”: from keras.models import Sequential from keras.layers import Dense, Act...

zhuhongde的博客 327

tensorflow keras数据集的读取 fit_generator的使用,以及模型编译保存

一、数据集的样式以及读取函数 数据集以x,y的形式分别保存检测图像和标签,其中X存放png和jpg格式的图像 读取的时候用model.fit_generator函数载入数据集,关键点则在于生成器的构造 二、步骤 1.制作一个数据生成器代码 2.使用yield返回值 3.接受值并给予model.fit_generator函数 三、代码(类) 库 import numpy as np import m...

qq_44930937的博客 2128

keras channels_last、preprocess_input、全连接层Dense、SGD优化器、模型及编译

channels_last 和 channels_firstkeras中 channels_last 和 channels_first 用来设定数据的维度顺序(image_data_format)。对2D数据来说,"channels_last"假定维度顺序为 (rows,cols,channels), 而"channels_first"假定维度顺序为(channels, rows, cols)。对...

牧野的博客 1万+

老码农和你一起学AI系列:模型编译详解

Keras中的model.compile()是模型训练前的关键配置环节,负责为模型设定"导航系统"(损失函数)、"动力系统"(优化器)和"仪表盘"(评估指标)。损失函数需与任务类型严格匹配:分类任务常用交叉熵系列,回归任务多用MSE/MAE;优化器推荐优先使用自适应学习率的Adam;评估指标则应根据业务需求选择,如不平衡数据需关注精确率/召回率而非准确率。该配置直接影响模型的学习效果、收敛速度和性能评估,是连接模型结构与训练过程的核心桥梁。

你的天空阅读专栏 1254

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 233
上一篇: 无人机+ AI 图像分析:里斯本大学高效检测林业害虫
下一篇: 有效延缓痴呆症:延世大学发现梯度提升机模型能准确预测 BPSD 亚综合征
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值