Tensorflow2.0 加载和保存模型常用方法

Tensorflow2.0 加载和保存模型常用方法

定义一个模型

# 建立一个简单的模型
model = tf.keras.models.Sequential([
        keras.layers.Dense(512, activation='relu', input_shape=(784,)),
        keras.layers.Dense(10, activation='softmax')
      ])
model.compile(optimizer='adam',
                    loss='sparse_categorical_crossentropy',
                    metrics=['accuracy'])
model.summary()

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_24 (Dense)             (None, 512)               401920    
_________________________________________________________________
dense_25 (Dense)             (None, 10)                5130      
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________

• checkpoint回调形式

  创建checkpoint及训练保存模型

  选择保存最佳模型的权重

# 常见一个checkpoint路径
checkpoint_path = 'my_model1.ckpt' 
# 创建一个保存模型权重的回调
cp_callback = tf.keras.callback.ModelCheckpoint(
                      filepath = checkpoint_path,
                      # monitor = 选择监视的值(val_acc、val_loss、acc、loss)
                      # save_best_only = True # 当设置为True，将只保留验证集上性能最好的模型
                      save_weights_only = Ture,
                      # period = CheckPoint之间的间隔的epoch数
                      verbose = 1)
# 使用新的回调训练模型
model.fit(train_images, trian_labels, epochs = 10, 
          validation_data = (test_images, test_labels), 
          callbacks = [cp_callback]) # 通过回调训练模型

保存完模型后会有一下文件

加载模型

​ 先初始化一个模型去评估（与加载之后的模型形成对比）

# 创建一个没训练过的模型
model_checkpoint = tf.keras.models.Sequential([
        keras.layers.Dense(512, activation='relu', input_shape=(784,)),
        keras.layers.Dense(10, activation='softmax')
      ])
model_checkpoint.compile(optimizer='adam',
                    loss='sparse_categorical_crossentropy',
                    metrics=['accuracy'])
# 评估没训练过的模型
model_checkpoint.evaluate(test_images, test_labels, verbose =2)

'''
1000/1 - 0s - loss: 2.3669 - accuracy: 0.0540
正确率 5.4%
'''

​ 那我们加载模型再去评估模型

# 加载模型
model_checkpoint.load_weights("my_training\my_model1.ckpt")
model_checkpoint.evaluate(test_images, test_labels, verbose =2)
'''
1000/1 - 0s - loss: 0.4690 - accuracy: 0.8710
正确率;87.1%
'''

• 将模型保存为HDF5文件

  这项技术可以保存 权重、模型配置(结构)、优化器配置

  保存模型为 .h5

# 训练模型
model.fit(train_images, train_labels, epochs = 5)

#保存模型
model.save('my_model2.h5')

保存完之后会有以下文件

加载模型

# 创建一个没训练过的模型
model_HDF5 = tf.keras.models.Sequential([
        keras.layers.Dense(512, activation='relu', input_shape=(784,)),
        keras.layers.Dense(10, activation='softmax')
      ])
model_HDF5.compile(optimizer='adam',
                    loss='sparse_categorical_crossentropy',
                    metrics=['accuracy'])
# 评估没训练过的模型
model_HDF5.evaluate(test_images, test_labels, verbose =2)
'''
1000/1 - 0s - loss: 2.3764 - accuracy: 0.0970
正确率：9.7%
'''

​ 那我们加载模型再去评估模型

model_HDF5 = tf.keras.models.load_model('my_model2.h5')
model_HDF5.evaluate(test_images, test_labels, verbose = 2)
'''
1000/1 - 0s - loss: 0.4352 - accuracy: 0.8650
正确率： 86.5%
'''

直接加载HDF5格式的文件 也可以把模型的结构加载

new_model = tf.keras.models.load_model('my_training\my_model2.h5')
new_model.summary()

Model: "sequential_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_46 (Dense)             (None, 512)               401920    
_________________________________________________________________
dense_47 (Dense)             (None, 10)                5130      
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________