發布時間： 2019-07-12 10:02:55
模型進度可以在訓練期間和訓練后保存。這意味著模型可以在它停止的地方繼續，并避免長時間的訓練。保存還意味著您可以共享您的模型，其他人可以重新創建您的工作。當發布研究模型和技術時，大多數機器學習實踐者共享:
l 用于創建模型的代碼
l 以及模型的訓練權重或參數
共享此數據有助于其他人了解模型的工作原理，并使用新數據自行嘗試。
注意：小心不受信任的代碼(TensorFlow模型是代碼)。有關詳細信息，請參閱安全使用TensorFlow 。
選項：
保存TensorFlow模型有多種方法，具體取決于你使用的API。本章節使用tf.keras(一個高級API，用于TensorFlow中構建和訓練模型)，有關其他方法，請參閱TensorFlow保存和還原指南或保存在eager中。
1.1. 安裝和導入
需要安裝和導入TensorFlow和依賴項
pip install h5py pyyaml
1.2. 獲取樣本數據集
我們將使用MNIST數據集來訓練我們的模型以演示保存權重，要加速這些演示運行，請只使用前1000個樣本數據：
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 #獲取樣本數據集 (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. 定義模型
讓我們構建一個簡單的模型，我們將用它來演示保存和加載權重。
#定義模型 # 返回一個簡短的序列模型 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 # 創建基本模型實例 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
_________________________________________________________________
主要用例是在訓練期間和訓練結束時自動保存檢查點，通過這種方式，您可以使用訓練有素的模型，而無需重新訓練，或者在您離開的地方繼續訓練，以防止訓練過程中斷。
tf.keras.callbacks.ModelCheckpoint是執行此任務的回調，回調需要幾個參數來配置檢查點。
2.1. 檢查點回調使用情況
訓練模型并將其傳遞給 ModelCheckpoint回調
#在訓練期間保存檢查點 checkpoint_path = "training_1/cp.ckpt" checkpoint_dir = os.path.dirname(checkpoint_path) # 創建一個檢查點回調 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>
這將創建一個TensorFlow檢查點文件集合，這些文件在每個周期結束時更新。
文件夾checkpoint_dir下的內容如下：（Linux系統使用 ls命令查看）
checkpoint cp.ckpt.data-00000-of-00001 cp.ckpt.index |
創建一個新的未經訓練的模型，僅從權重恢復模型時，必須具有與原始模型具有相同體系結構的模型，由于它是相同的模型架構，我們可以共享權重，盡管它是模型的不同示例。
現在重建一個新的，未經訓練的模型，并在測試集中評估它。未經訓練的模型將在隨機水平(約10%的準確率):
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%
然后從檢查點加載權重，并重新評估：
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. 檢查點選項
回調提供了幾個選項，可以為生成的檢查點提供唯一的名稱，并調整檢查點頻率。
訓練一個新模型，每5個周期保存一次唯一命名的檢查點：
# 在文件名中包含周期數. (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個周期保存一次權重 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>
現在，查看生成的檢查點并選擇最新的檢查點：
#現在，查看生成的檢查點并選擇最新的檢查點： latest = tf.train.latest_checkpoint(checkpoint_dir) print(latest) |
'training_2/cp-0050.ckpt'
注意：默認的tensorflow格式僅保存最近的5個檢查點。
要測試，請重置模型并加載最新的檢查點：
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%
上述代碼將權重存儲到檢查點)格式的文件集合中，這些文件僅包含二進制格式的訓練權重.檢查點包含：
· 一個或多個包含模型權重的分片；
· 索引文件，指示哪些權重存儲在哪個分片。
如果您只在一臺機器上訓練模型，那么您將有一個帶有后綴的分片：.data-00000-of-00001
上面你看到了如何將權重加載到模型中。手動保存權重同樣簡單，使用Model.save_weights方法。
# 保存權重 model.save_weights('./checkpoints/my_checkpoint') # 加載權重 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)) |
模型和優化器可以保存到包含其狀態（權重和變量）和模型配置的文件中，這允許您導出模型，以便可以在不訪問原始python代碼的情況下使用它。由于恢復了優化器狀態，您甚至可以從中斷的位置恢復訓練。
保存完整的模型非常有用，您可以在TensorFlow.js(HDF5, Saved Model) 中加載它們，然后在Web瀏覽器中訓練和運行它們，或者使用TensorFlow Lite(HDF5, Saved Model)將它們轉換為在移動設備上運行。
5.1. 作為HDF5文件
Keras使用HDF5標準提供基本保存格式，出于我們的目的，可以將保存的模型視為單個二進制blob。
#保存整個模型 #Keras使用HDF5標準提供基本保存格式，出于我們的目的，可以將保存的模型視為單個二進制blob。 model = create_model() model.fit(train_images, train_labels, epochs=5) # 保存整個模型到HDF5文件 model.save('my_model.h5') |
現在從該文件重新創建模型：
# 重新創建完全相同的模型，包括權重和優化器 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
_________________________________________________________________
檢查模型的準確率:
#檢查模型的準確率: 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東西：
· 權重值
· 模型的配置（架構）
· 優化器配置
Keras通過檢查架構來保存模型，目前它無法保存TensorFlow優化器（來自tf.train）。使用這些時，您需要在加載后重新編譯模型，否則您將失去優化程序的狀態。
5.2. 作為 saved_model
注意：這種保存tf.keras模型的方法是實驗性的，在將來的版本中可能會有所改變。
創建一個新的模型：
model = create_model() model.fit(train_images, train_labels, epochs=5) |
創建saved_model，并將其放在帶時間戳的目錄中：
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'
從保存的模型重新加載新的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
_________________________________________________________________
運行加載的模型進行預測：
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']) # 評估加載后的模型 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%
本實驗利用網上已有的北京房價數據集預測了北京的房價，實現了TensorFlow的線性回歸應用。
下一篇： 大數據培訓_樸素貝葉斯分類
微信
公眾號
