如何在R中加载Python训练的LSTM模型并测试以对比执行时间

以下是完整的步骤，帮你在R环境中加载已保存的LSTM模型并完成测试：

1. 安装并加载必要的R包 #

R中通过keras包对接TensorFlow/Keras生态，需先安装并加载相关包：

# 安装依赖包
install.packages(c("tensorflow", "keras"))

# 加载包
library(tensorflow)
library(keras)

# 首次使用需安装底层TensorFlow环境（仅需执行一次）
install_tensorflow()

2. 加载模型架构与权重 #

对应你Python中保存的JSON架构文件和H5权重文件，在R中执行以下代码加载：

# 定义文件路径（确保文件在R的当前工作目录下，可通过getwd()查看）
architecture_path <- "59acc_acf_pacf.json"
weights_path <- "59acc_acf_pacf.weights.h5"

# 读取并加载模型架构
model_json <- readLines(architecture_path) %>% paste(collapse = "\n")
model <- model_from_json(model_json)

# 加载预训练权重
model %>% load_model_weights_hdf5(weights_path)

# 可选：若需评估模型性能，需匹配训练时的编译参数（仅预测可跳过）
# model %>% compile(
#   loss = "mean_squared_error",  # 替换为你训练时用的损失函数
#   optimizer = optimizer_adam(lr = 0.001)  # 替换为训练时的优化器及参数
# )

cat("模型架构与权重加载成功\n")

3. 准备测试数据（关键：与Python训练时的预处理一致） #

测试数据的格式、预处理逻辑必须和Python训练阶段完全一致，否则预测结果无意义：

• 输入形状：LSTM要求输入为3D张量，格式为(样本数, 时间步长, 特征数)，需和训练时的输入维度匹配
• 归一化/标准化：如果Python中对数据做了缩放（如StandardScaler或MinMaxScaler），需在R中使用相同的均值、标准差或极值转换测试数据

示例代码：

# 读取测试数据（假设为csv格式）
test_data <- read.csv("test_data.csv")

# 示例：若Python中用MinMaxScaler归一化，需复用训练时的缩放参数
# scaler_min <- 0.123  # 替换为Python中scaler.data_min_的取值
# scaler_max <- 4.567  # 替换为Python中scaler.data_max_的取值
# test_data_scaled <- (test_data - scaler_min) / (scaler_max - scaler_min)

# 将数据转换为LSTM所需的3D格式（替换时间步长和特征数为你的实际参数）
test_data_3d <- array_reshape(test_data_scaled, c(nrow(test_data_scaled), 10, 5))

4. 执行预测并统计执行时间 #

用system.time()统计预测耗时，方便和Python的执行时间对比：

# 计算预测执行时间并生成预测结果
pred_time <- system.time({
  predictions <- model %>% predict(test_data_3d)
})

# 打印执行时间
cat("预测执行时间：\n")
print(pred_time)

# 查看前几条预测结果
cat("\n前5条预测结果：\n")
head(predictions, 5)

注意事项 #

• 尽量保证R的keras包版本与Python的Keras/TensorFlow版本兼容，避免因版本差异导致加载失败
• 若加载时出现权限或路径错误，检查文件路径是否正确，或通过setwd()切换到文件所在目录
• 预测前务必确认数据形状与训练时一致，否则会抛出维度不匹配的错误

内容的提问来源于stack exchange，提问作者GANZA