flyai下载预训练的keras模型

进入FlyAI预训练模型地址
找到需要的keras模型，相应链接后确定
3.得到复制后的内容

# 必须使用该方法下载模型，然后加载
from flyai.utils import remote_helper
path = remote_helper.get_remote_date("https://www.flyai.com/m/v0.8|NASNet-mobile.h5")

直接在本地运行会出错。需要修改以下两个文件：

remote_helper.py。把os.path.join(sys.path[0], 'data', 'input', 'model')改成自己的地址（保存模型的地址）
download.py中的地址改成自己的地址

下载模型放到本地的.keras文件夹下，即可在任意位置直接调用。

附：remote_helper.py代码

import sysimport hashlib
import json
import os
import platform
import uuid
from os.path import joinfrom flyai.processor.download import download_model__DOMAIN = "https://www.flyai.com"def __genearteMD5(str):hl = hashlib.md5()hl.update(str.encode(encoding='utf-8'))return hl.hexdigest()def __check_dir(str):if " " in str:return Falsereturn all(ord(c) < 128 for c in str)def __get_home_path():sys = platform.system()if sys == "Windows":if not __check_dir(os.environ['HOMEPATH']):path = join("C://", '.flyai', "")else:path = join(os.environ['HOMEPATH'], '.flyai', "")else:path = join(os.environ['HOME'], '.flyai', "")if not os.path.exists(path):os.makedirs(path)return pathdef __get_mac():try:address = hex(uuid.getnode())[2:]return '-'.join(address[i:i + 2] for i in range(0, len(address), 2))except:return "unknown"def __get_token():GOOS = platform.system()if GOOS == "Windows":file_path = os.path.join(os.environ['HOMEPATH'], '.flyai_flyai')else:file_path = os.path.join(os.environ['HOME'], '.flyai_flyai')if os.path.exists(file_path):file = open(file_path, 'r')token = file.read()return tokenelse:file_path = join(__get_home_path(), "." + __genearteMD5(__get_mac() + __DOMAIN))if os.path.exists(file_path):file = open(file_path)login_data = json.loads(file.read())return login_data['token']else:file_path = os.path.join(sys.path[0], 'train.json')if os.path.exists(os.path.join(sys.path[0], 'train.json')):file = open(file_path)login_data = json.loads(file.read())return login_data['token']def get_remote_date(remote_name):if "http" in remote_name:token = __get_token()if token is not None:return download_model(remote_name + "?token=" + __get_token(),os.path.join(sys.path[0], 'data', 'input', 'model'), is_print=True)else:return None

flyai下载预训练的keras模型相关推荐

Keras 的预训练权值模型用来进行预测、特征提取和微调（fine-tuning）
转至:Keras中文文档 https://keras.io/zh/applications/ 应用 Applications Keras 的应用模块(keras.applications)提供了带有预 ...
加载torchvision中预训练好的模型并修改默认下载路径
原因是home目录下的硬盘满了所以只好改pytorch下载预训练的模型参考https://blog.csdn.net/ProLover98/article/details/104792115 成功 ...
【Pytorch】加载torchvision中预训练好的模型并修改默认下载路径（使用models.__dict__[model_name]()读取）
说明使用torchvision.model加载预训练好的模型时,发现默认下载路径在系统盘下面的用户目录下(这个你执行的时候就会发现),即C:\用户名\.cache\torch\.checkpoint ...
基于Keras预训练词向量模型的文本分类方法
本文语料仍然是上篇所用的搜狗新闻语料,采用中文预训练词向量模型对词进行向量表示.上篇文章将文本分词之后,采用了TF-IDF的特征提取方式对文本进行向量化表示,所产生的文本表示矩阵是一个稀疏矩阵,本篇采 ...
【深度学习】预训练的卷积模型比Transformer更好？
引言这篇文章就是当下很火的用预训练CNN刷爆Transformer的文章,LeCun对这篇文章做出了很有深意的评论:"Hmmm".本文在预训练微调范式下对基于卷积的Seq2Seq ...
PromptCLUE：大规模多任务Prompt预训练中文开源模型
简介 PromptCLUE:大规模多任务Prompt预训练中文开源模型. 中文上的三大统一:统一模型框架,统一任务形式,统一应用方式.支持几十个不同类型的任务,具有较好的零样本学习能力和少样本学习能力 ...
使用预训练的 ImageNet 模型进行图像分类
在这篇文章中,我们将学习如何使用预训练的 ImageNet 模型来执行图像分类.我们已经看到了如何训练一个简单的神经网络来对 CIFAR-10 数据集中的图像进行分类,但这是一个相对简单的任务,因为只 ...
TensorFlow 调用预训练好的模型—— Python 实现
1. 准备预训练好的模型 TensorFlow 预训练好的模型被保存为以下四个文件 data 文件是训练好的参数值,meta 文件是定义的神经网络图,checkpoint 文件是所有模型的保存路径,如 ...
在 C/C++ 中使用 TensorFlow 预训练好的模型—— 直接调用Ｃ++ 接口实现
现在的深度学习框架一般都是基于 Python 来实现,构建.训练.保存和调用模型都可以很容易地在 Python 下完成.但有时候,我们在实际应用这些模型的时候可能需要在其他编程语言下进行,本文将通过直 ...

flyai下载预训练的keras模型

flyai下载预训练的keras模型相关推荐

最新文章

热门文章