醃製多層CNN的Theano，Lenet5

Question

我是新的深度學習，我有一個問題。 我正在使用Theano進行圖像識別，並且我想使用訓練好的模型創建一個預測系統。 我引用了LeNet5 Convolutional Neural Networks (LeNet)並訓練了我自己的數據，現在我想使用訓練好的模型來預測新圖像。 在Classifying MNIST digits using Logistic Regression它描述了醃製訓練模型的方式，但它只是一個邏輯迴歸，而不是多層CNN。以同樣的方式，我保存了每一層，但我不能用它進行預測。 請幫幫我！ 這裏是我的代碼：

def predict(): 
""" 
An example of how to load a trained model and use it 
to predict labels. 
""" 

# load the saved model 
#x = Data 
x = T.matrix('x') 
Data = x.reshape((1, 1, 32, 32)) 
layer0 
layer1 
layer2_input = layer1.output.flatten(2) 
layer2 
layer3 

# compile a predictor function 
predict_model = theano.function([layer0.input], 
    layer0.output) 
    #inputs=[layer0.input], 
    #outputs=layer3.y_pred) 

# We can test it on some examples from test test 
#dataset='facedata_cross_6_2_6.pkl.gz' 
#datasets = load_data(dataset) 
#test_set_x, test_set_y = datasets[2] 
#test_set_x = test_set_x.get_value() 
#reshape=np.reshape(test_set_x[26],(28,28)) 
#plt.imshow(reshape) 

predicted_values = predict_model(Data) 
print("Predicted values for the first 10 examples in test set:") 
print(predicted_values) 

Answer 1

有很多方法可以保存你的模型。一個我經常使用是通過泡菜各個層的重量和偏壓（該順序是由你）：

f = file('Models/bestmodel.pickle','wb') 
cPickle.dump(layer0.W.get_value(borrow=True),f,protocol=cPickle.HIGHEST_PROTOCOL) 
cPickle.dump(layer1.W.get_value(borrow=True),f,protocol=cPickle.HIGHEST_PROTOCOL) 
cPickle.dump(layer2.W.get_value(borrow=True),f,protocol=cPickle.HIGHEST_PROTOCOL) 
... 
cPickle.dump(layer0.b.get_value(borrow=True),f,protocol=cPickle.HIGHEST_PROTOCOL)    
cPickle.dump(layer1.b.get_value(borrow=True),f,protocol=cPickle.HIGHEST_PROTOCOL) 
cPickle.dump(layer2.b.get_value(borrow=True),f,protocol=cPickle.HIGHEST_PROTOCOL) 
... 
f.close() 

然後預測系統中，創建一個相同的模型體系結構和使用保存的模型作爲初始值（與您保存的訂單相同）：

f=file('Models/bestmodel.pickle','rb') 
layer0.W.set_value(cPickle.load(f), borrow=True) 
layer1.W.set_value(cPickle.load(f), borrow=True) 
layer2.W.set_value(cPickle.load(f), borrow=True) 
... 
layer0.b.set_value(cPickle.load(f), borrow=True) 
layer1.b.set_value(cPickle.load(f), borrow=True) 
layer2.b.set_value(cPickle.load(f), borrow=True) 
... 
f.close()