基于PyGAD遗传算法训练的Keras模型如何实现新样本预测

按照以下步骤操作即可，全程不需要将待预测样本混入训练集，不会造成数据泄露：

• 提取最优解对应的模型权重
  训练流程全部结束后，不需要重新训练或修改训练逻辑，直接从PyGAD训练实例中取出搜索到的最优权重向量，整形为Keras模型匹配的权重矩阵后加载到模型中即可：

  import numpy as np
  # 注意替换成你自己代码里的实例名：ga_instance是你跑完训练的PyGAD对象，keras_model是你构建的初始Keras回归模型
  best_weights_vector, best_fit, _ = ga_instance.best_solution()
  # 自动将一维权重向量转换为模型各层对应的权重形状，不需要手动计算每层维度
  keras_model.set_weights(
      ga_instance.model_weights_as_matrix(
          model=keras_model,
          weights_vector=best_weights_vector
      )
  )
  

• 切换模型为推理状态
  权重加载完成后，关闭模型的训练属性，避免Dropout、批量归一化层在推理时使用训练逻辑计算，这一步不会改动任何权重：

  keras_model.trainable = False
  

• 传入新样本执行预测
  你准备的待预测输入numpy.array([[0.9, 0.7, 0.85]])形状为(1,3)，完全匹配模型要求的3维输入格式，直接调用预测接口即可得到结果：

  new_input = np.array([[0.9, 0.7, 0.85]])
  prediction = keras_model.predict(new_input, verbose=0)
  print(prediction)
  

避坑提示：不要在推理前重新执行模型fit()训练、不要将待预测样本拼接进训练数据集、不要复用训练阶段的适应度计算函数做预测——适应度函数是训练过程中给遗传算法迭代打分用的，推理仅需要加载最优权重的模型做前向传播即可，待预测样本全程不参与权重更新，不存在数据泄露问题。

内容的提问来源于stack exchange，提问作者ah bon