发布时间： 2019-07-12 10:02:55
模型进度可以在训练期间和训练后保存。这意味着模型可以在它停止的地方继续，并避免长时间的训练。保存还意味着您可以共享您的模型，其他人可以重新创建您的工作。当发布研究模型和技术时，大多数机器学习实践者共享:
l 用于创建模型的代码
l 以及模型的训练权重或参数
共享此数据有助于其他人了解模型的工作原理，并使用新数据自行尝试。
注意：小心不受信任的代码(TensorFlow模型是代码)。有关详细信息，请参阅安全使用TensorFlow 。
选项：
保存TensorFlow模型有多种方法，具体取决于你使用的API。本章节使用tf.keras(一个高级API，用于TensorFlow中构建和训练模型)，有关其他方法，请参阅TensorFlow保存和还原指南或保存在eager中。
1.1. 安装和导入
需要安装和导入TensorFlow和依赖项
pip install h5py pyyaml
1.2. 获取样本数据集
我们将使用MNIST数据集来训练我们的模型以演示保存权重，要加速这些演示运行，请只使用前1000个样本数据：
from __future__ import absolute_import, division, print_function, unicode_literals import os import tensorflow as tf try: import tensorflow.keras as keras except: import tensorflow.python.keras as keras #获取样本数据集 (train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data() train_labels = train_labels[:1000] test_labels = test_labels[:1000] train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0 test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0 |
1.3. 定义模型
让我们构建一个简单的模型，我们将用它来演示保存和加载权重。
#定义模型 # 返回一个简短的序列模型 def create_model(): model = tf.keras.models.Sequential([ keras.layers.Dense(512, activation='relu', input_shape=(784,)), keras.layers.Dropout(0.2), keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) return model # 创建基本模型实例 model = create_model() print(model.summary()) |
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense (Dense) (None, 512) 401920
_________________________________________________________________
dropout (Dropout) (None, 512) 0
_________________________________________________________________
dense_1 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
主要用例是在训练期间和训练结束时自动保存检查点，通过这种方式，您可以使用训练有素的模型，而无需重新训练，或者在您离开的地方继续训练，以防止训练过程中断。
tf.keras.callbacks.ModelCheckpoint是执行此任务的回调，回调需要几个参数来配置检查点。
2.1. 检查点回调使用情况
训练模型并将其传递给 ModelCheckpoint回调
#在训练期间保存检查点 checkpoint_path = "training_1/cp.ckpt" checkpoint_dir = os.path.dirname(checkpoint_path) # 创建一个检查点回调 cp_callback = tf.keras.callbacks.ModelCheckpoint(checkpoint_path, save_weights_only=True, verbose=1) model = create_model() model.fit(train_images, train_labels, epochs = 10, validation_data = (test_images,test_labels), callbacks = [cp_callback]) # pass callback to training |
Train on 1000 samples, validate on 1000 samples
......
Epoch 10/10
960/1000 [===========================>..] - ETA: 0s - loss: 0.0392 - accuracy: 1.0000
Epoch 00010: saving model to training_1/cp.ckpt
1000/1000 [==============================] - 0s 207us/sample - loss: 0.0393 - accuracy: 1.0000 - val_loss: 0.3976 - val_accuracy: 0.8750
<tensorflow.python.keras.callbacks.History at 0x7efc3eba7358>
这将创建一个TensorFlow检查点文件集合，这些文件在每个周期结束时更新。
文件夹checkpoint_dir下的内容如下：（Linux系统使用 ls命令查看）
checkpoint cp.ckpt.data-00000-of-00001 cp.ckpt.index |
创建一个新的未经训练的模型，仅从权重恢复模型时，必须具有与原始模型具有相同体系结构的模型，由于它是相同的模型架构，我们可以共享权重，尽管它是模型的不同示例。
现在重建一个新的，未经训练的模型，并在测试集中评估它。未经训练的模型将在随机水平(约10%的准确率):
model = create_model() loss, acc = model.evaluate(test_images, test_labels) print("Untrained model, accuracy: {:5.2f}%".format(100*acc)) |
1000/1000 [==============================] - 0s 107us/sample - loss: 2.3224 - accuracy: 0.1230
Untrained model, accuracy: 12.30%
然后从检查点加载权重，并重新评估：
model.load_weights(checkpoint_path) loss,acc = model.evaluate(test_images, test_labels) print("Restored model, accuracy: {:5.2f}%".format(100*acc)) |
1000/1000 [==============================] - 0s 48us/sample - loss: 0.3976 - accuracy: 0.8750
Restored model, accuracy: 87.50%
2.2. 检查点选项
回调提供了几个选项，可以为生成的检查点提供唯一的名称，并调整检查点频率。
训练一个新模型，每5个周期保存一次唯一命名的检查点：
# 在文件名中包含周期数. (使用 `str.format`) checkpoint_path = "training_2/cp-{epoch:04d}.ckpt" checkpoint_dir = os.path.dirname(checkpoint_path) cp_callback = tf.keras.callbacks.ModelCheckpoint( checkpoint_path, verbose=1, save_weights_only=True, # 每5个周期保存一次权重 period=5) model = create_model() model.save_weights(checkpoint_path.format(epoch=0)) model.fit(train_images, train_labels, epochs = 50, callbacks = [cp_callback], validation_data = (test_images,test_labels), verbose=0) |
Epoch 00005: saving model to training_2/cp-0005.ckpt
......
Epoch 00050: saving model to training_2/cp-0050.ckpt
<tensorflow.python.keras.callbacks.History at 0x7efc7c3bbd30>
现在，查看生成的检查点并选择最新的检查点：
#现在，查看生成的检查点并选择最新的检查点： latest = tf.train.latest_checkpoint(checkpoint_dir) print(latest) |
'training_2/cp-0050.ckpt'
注意：默认的tensorflow格式仅保存最近的5个检查点。
要测试，请重置模型并加载最新的检查点：
model = create_model() model.load_weights(latest) loss, acc = model.evaluate(test_images, test_labels) print("Restored model, accuracy: {:5.2f}%".format(100*acc)) |
1000/1000 [==============================] - 0s 84us/sample - loss: 0.4695 - accuracy: 0.8810
Restored model, accuracy: 88.10%
上述代码将权重存储到检查点)格式的文件集合中，这些文件仅包含二进制格式的训练权重.检查点包含：
· 一个或多个包含模型权重的分片；
· 索引文件，指示哪些权重存储在哪个分片。
如果您只在一台机器上训练模型，那么您将有一个带有后缀的分片：.data-00000-of-00001
上面你看到了如何将权重加载到模型中。手动保存权重同样简单，使用Model.save_weights方法。
# 保存权重 model.save_weights('./checkpoints/my_checkpoint') # 加载权重 model = create_model() model.load_weights('./checkpoints/my_checkpoint') loss,acc = model.evaluate(test_images, test_labels) print("Restored model, accuracy: {:5.2f}%".format(100*acc)) |
模型和优化器可以保存到包含其状态（权重和变量）和模型配置的文件中，这允许您导出模型，以便可以在不访问原始python代码的情况下使用它。由于恢复了优化器状态，您甚至可以从中断的位置恢复训练。
保存完整的模型非常有用，您可以在TensorFlow.js(HDF5, Saved Model) 中加载它们，然后在Web浏览器中训练和运行它们，或者使用TensorFlow Lite(HDF5, Saved Model)将它们转换为在移动设备上运行。
5.1. 作为HDF5文件
Keras使用HDF5标准提供基本保存格式，出于我们的目的，可以将保存的模型视为单个二进制blob。
#保存整个模型 #Keras使用HDF5标准提供基本保存格式，出于我们的目的，可以将保存的模型视为单个二进制blob。 model = create_model() model.fit(train_images, train_labels, epochs=5) # 保存整个模型到HDF5文件 model.save('my_model.h5') |
现在从该文件重新创建模型：
# 重新创建完全相同的模型，包括权重和优化器 new_model = keras.models.load_model('my_model.h5') print(new_model.summary()) |
Model: "sequential_6"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_12 (Dense) (None, 512) 401920
_________________________________________________________________
dropout_6 (Dropout) (None, 512) 0
_________________________________________________________________
dense_13 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
检查模型的准确率:
#检查模型的准确率: loss, acc = new_model.evaluate(test_images, test_labels) print("Restored model, accuracy: {:5.2f}%".format(100*acc)) |
1000/1000 [==============================] - 0s 94us/sample - loss: 0.4137 - accuracy: 0.8540
Restored model, accuracy: 85.40%
此方法可保存模型的所有东西：
· 权重值
· 模型的配置（架构）
· 优化器配置
Keras通过检查架构来保存模型，目前它无法保存TensorFlow优化器（来自tf.train）。使用这些时，您需要在加载后重新编译模型，否则您将失去优化程序的状态。
5.2. 作为 saved_model
注意：这种保存tf.keras模型的方法是实验性的，在将来的版本中可能会有所改变。
创建一个新的模型：
model = create_model() model.fit(train_images, train_labels, epochs=5) |
创建saved_model，并将其放在带时间戳的目录中：
import time saved_model_path = "./saved_models/{}".format(int(time.time())) tf.keras.experimental.export_saved_model(model, saved_model_path) print(saved_model_path) |
'./saved_models/1555630614'
从保存的模型重新加载新的keras模型：
new_model = tf.keras.experimental.load_from_saved_model(saved_model_path) print(new_model.summary()) |
Model: "sequential_7"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_14 (Dense) (None, 512) 401920
_________________________________________________________________
dropout_7 (Dropout) (None, 512) 0
_________________________________________________________________
dense_15 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
运行加载的模型进行预测：
model.predict(test_images).shape |
(1000, 10)
new_model.compile(optimizer=model.optimizer, # keep the optimizer that was loaded loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 评估加载后的模型 loss, acc = new_model.evaluate(test_images, test_labels) print("Restored model, accuracy: {:5.2f}%".format(100*acc)) |
1000/1000 [==============================] - 0s 102us/sample - loss: 0.4367 - accuracy: 0.8570
Restored model, accuracy: 85.70%
本实验利用网上已有的北京房价数据集预测了北京的房价，实现了TensorFlow的线性回归应用。
下一篇： 大数据培训_朴素贝叶斯分类
微信
公众号
