深度学习模型训练与预测：调整数据集大小、加载模型并进行预测

调整数据集大小

在训练深度学习模型时，您可以根据需要调整训练集和测试集的大小。例如，您可以在训练时只使用一部分数据，或者在测试时使用一部分数据。以下代码示例展示了如何调整训练集和测试集的大小：

dataset_num = 1000
val_num = 500

# 训练
history = model.fit(
    train_x[:dataset_num], np.array(train_y[:dataset_num]).reshape(-1, 1),
    batch_size=BATCH_SIZE,
    epochs=EPOCHS,
    validation_data=(validation_x[:val_num], np.array(validation_y[:val_num]).reshape(-1, 1),)
)

# 测试
score = model.evaluate(validation_x[:val_num], np.array(validation_y[:val_num]).reshape(-1, 1), verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

加载模型并进行预测

一旦模型训练完毕，您可以将其保存并加载到其他程序中使用。以下代码示例展示了如何加载模型并对测试集进行预测：

# 加载模型
new_model = tf.keras.models.load_model('models.h5')

# 进行预测
predictions = new_model.predict(test_x)

# 将预测结果转换为类别标签
predicted_labels = np.argmax(predictions, axis=1)

总结

本文介绍了如何调整数据集大小，以及如何加载已训练好的模型并对测试集进行预测。希望这些信息能够帮助您更好地理解深度学习模型的训练和预测过程。