模型保存(tf.keras保存模型)
- 保存
- Tf.Keras 模型保存为 HDF5 文件
- Keras 使用了 h5py Python 包。
- h5py 是 Keras 的依赖项,应默认被安装
- 保存/加载整个模型
-
不建议使用 pickle 或 cPickle 来保存模型。
-
使用 model.save(‘path/to/my_model.h5’) 将整个模型保存到单个 HDF5 文件中。
-
包括以下内容:
- · 模型的结构,允许重新创建模型
- · 模型的权重
- · 训练配置项(损失函数,优化器)
- · 优化器状态,允许准确地从你上次结束的地方继续训练。
-
保存/加载整个模型可使我们在不访问原始 python 代码的情况下使用模型。还可以从中断的位置恢复训练。
-
保存完整模型会非常有用——我们可以在 TensorFlow.js (HDF5, Saved Model) 加载保存的模型,然后在 web 浏览器中训练和运行它们,或者使用 TensorFlow Lite 将它们转换为在移动设备上运行(HDF5, Saved Model)
-
重新创建完全相同的模型,包括其权重和优化程序new_model = tf.keras.models.load_model(‘my_model.h5’)
-
Keras 通过检查网络结构来保存模型。
-
目前,它无法保存 Tensorflow 优化器(调用自tf.train)。使用这些优化器的时候,需要在加载后重新编译模型,否则将失去优化器的状态。
-
通过 saved_model 格式保存(实验性的,未来可能变化):tf.keras.experimental.export_saved_model(model, saved_model_path)
-
通过 saved_model 格式恢复:new_model =tf.keras.experimental.load_from_saved_model(sav
ed_model_path) -
通过 saved_model 格式恢复:saved_model 格式包含完整的TensorFlow程序,是tensorflow对象的独立序列化格式,包括权重和计算。它不需要运行原始模型构建代码,这使得它可用于共享或部署(使用TFLite,TensorFlow.js,TensorFlow服务)
-
- 只保存/加载模型的结构
- 保存模型的结构,而非其权重或训练配置项:Config = model.get_config()
- 得到的是一个Python Dict,它使我们可以重新创建相同的结构的模型
- 加载模型的结构,而非其权重或训练配置项:Reinitialized_model = tf.keras.Model.from_config(config)
- 保存模型的结构,也可以使用json字符串,方便保存到磁盘:json_string = model.to_json()
- Reinitialized_model = tf.keras.models.model_from_json(json_string )
- 只保存模型的权重:model.save_weights(‘my_model_weights.h5’)
- 只加载模型的权重 :model.load_weights(‘my_model_weights.h5’)
- 注意保存和加载模型的权重 :既可以使用HDF5格式也可以使用SavedModel格式,取决于后缀,也可以通过 save_format参数来显式指定。
- 参数可以取: tf 或 h5
- 在训练期间保存模型
- tf.keras.callbacks.ModelCheckpoint 允许在训练的过程中和结束时回调保存的模型。
例子
import os
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
os.environ['TF_FORCE_GPU_ALLOW_GROWTH'] = 'true'
gpu_ok = tf.test.is_gpu_available()
print("tf version:", tf.__version__)
print("use GPU", gpu_ok) # 判断是否使用gpu进行训练
# 下载数据集并划分为训练集和测试集
(train_image,train_lable),(test_image,test_label) = tf.keras.datasets.fashion_mnist.load_data()
# 归一化
train_image=train_image/255
test_image=test_image/255
# 建立模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28))) # 28*28
model.add(tf.keras.layers.Dense(128,activation="relu"))
model.add(tf.keras.layers.Dense(10,activation="softmax"))
# 编译模型
model.compile(optimizer="adam",
loss="sparse_categorical_crossentropy",
metrics=["acc"<