Прогнозирование различных результатов с flask и с dl4j

Question

Я нахожу некоторые проблемы с импортом обучения моделей по тензорным и керасовым моделям python. С flask легко, но с использованием deeplearning4j или org.tensorflow у меня есть некоторые проблемы. кажется, что библиотеки java все еще не разработаны.

В этом случае токенизация с использованием pickle в flask отличается от использования json в deeplearning4j.

Это код в flask и вывод для строки «Я оспариваю с моей ипотекой вводящий в заблуждение вводящий в заблуждение термин»:

@app.route('/')
def home():
return flask.render_template('complaints_classify.html')


@app.route('/predict',methods=['POST'])
def predict():
    print('preditct\n')
    a = request.form['complaint']
    print(a)
    #invoke the model

    import tensorflow as tf
    #loaded_model =tf.keras.models.load_model('/home/ean/anaconda3/envs/my_env/flask_projects/models/modelLstm.h5')
    loaded_model =tf.keras.models.load_model('/home/ean/anaconda3/envs/my_env/modelLstm.h5')
    loaded_model.summary()
    # loading
    with open('/home/ean/anaconda3/envs/my_env/tokenizer.pickle', 'rb') as handle:
        tokenizer = pickle.load(handle)

       print(tokenizer.get_config())    

    # load weights into new ()model

    print("Loaded model from disk")

    labels = ['Credit card','Debt collection','Credit Reporting','Mortgage','Payday loan','Student loan']
    text = [a]
    text = np.array(text)
    print("text en numpy:\n")
    print(text)
    to_exclude = '!"#$%&()*+-./:;<=>?@[\]^_`{|}~\t\n'

    X = tokenizer.texts_to_sequences(text)
    print(X)
    X = pad_sequences(X, maxlen=50)
    print(X)

    pred= loaded_model.predict(X)
    print(pred)
    print(np.argmax(pred))
    print(text, labels[np.argmax(pred)])

    data = {labels[np.argmax(pred)]}
    return flask.render_template('complaints_classify.html',complaint=format(text),prediction_text='{}'.format(data)) 

И вывод:

[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]]

Очень хорошо предсказываю:

[«Я оспариваю с моей ипотекой вводящий в заблуждение вводящий в заблуждение термин»] Ипотека

И это код, использующий DeepLearning4j beta6.

public class GuestbookController {
@RequestMapping(value = "/micro-service")
  public String hello() throws Exception {
      String modeloStr = "";
      try {
      System.out.println("Estamos en:"+InetAddress.getLocalHost().getHostAddress());
      String[] labels =  {"Credit card","Debt collection","Credit Reporting","Mortgage","Payday loan","Student loan"};
      // load the model
     //String simpleMlp = new ClassPathResource("/home/oscar/curso/microservicio-ML/model/modelLstm.h5").getFile().getPath();
     String simpleMlp = new ClassPathResource("modelLstm.h5").getFile().getPath();
     System.out.println("Fichero leido\n");
     MultiLayerNetwork model = KerasModelImport.importKerasSequentialModelAndWeights(simpleMlp,false);
     for(int i= 0;i<model.getLayers().length;i++){
         modeloStr=modeloStr+(model.getLayers()[i]).getConfig()+"\n";
     }    
     System.out.println(modeloStr);

     String[] texts = new String[] {"I am disputing with my mortgage confusing misleading term"};
     String path = "tokenizer.json";
     KerasTokenizer tokenizer = KerasTokenizer.fromJson(Resources.asFile(path).getAbsolutePath());
     //KerasTokenizer tokenizer = new KerasTokenizer(50);
     //tokenizer.fitOnTexts(texts));
     Integer[][] sequences = tokenizer.textsToSequences(texts);


     Integer [][] tmp10=sequences;
     String tmp11 =""; 
     for(int p= 0;p<tmp10.length;p++){
         for (int q=0;q<tmp10[p].length;q++){
         tmp11=tmp11+(tmp10[p][q])+"\n";
         }
     }    
     System.out.println("-------Sequences:"+tmp11);  
     System.out.println(tokenizer.textsToMatrix(texts, TokenizerMode.FREQ));

И вывод:

------- Последовательности: 1

La salida de: tokenizer.textsToMatrix (тексты, TokenizerMode.FREQ)

[[0, 1.0000 , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]

Я очень ценю любую помощь о том, как

Большое спасибо !!!