python - Keras:如何保存模型或权重？

Question

如果这个问题看起来很简单，我很抱歉。但阅读 Keras 保存和恢复帮助页面:

https://www.tensorflow.org/beta/tutorials/keras/save_and_restore_models

我不明白如何在训练期间使用“ModelCheckpoint”进行保存。帮助文件提到它应该提供 3 个文件，我只看到一个，MODEL.ckpt。

这是我的代码:

checkpoint_dir = FolderName + "/tmp/model.ckpt"
cp_callback = k.callbacks.ModelCheckpoint(checkpoint_dir,verbose=1,save_weights_only=True)    
parallel_model.compile(optimizer=tf.keras.optimizers.Adam(lr=learning_rate),loss=my_cost_MSE, metrics=['accuracy])
    parallel _model.fit(image, annotation, epochs=epoch, 
    batch_size=batch_size, steps_per_epoch=10,
                                 validation_data=(image_val,annotation_val),validation_steps=num_batch_val,callbacks=callbacks_list)

此外，当我想在训练后加载权重时:

model = k.models.load_model(file_checkpoint)

我收到错误:

"raise ValueError('Unknown ' + printable_module_name + ':' + object_name) 
ValueError: Unknown loss function:my_cost_MSE"

my-cost_MSE 是我在训练中使用的成本函数。

Answer 1

首先，看起来您正在使用 tf.keras(来自tensorflow)实现，而不是keras(来自 keras-team/keras 存储库)。在这种情况下，如 tf.keras guide 中所述:

When saving a model's weights, tf.keras defaults to the checkpoint format. Pass save_format='h5' to use HDF5.

另一方面，请注意，添加回调 ModelCheckpoint 通常大致相当于在每个 epoch 结束时调用 model.save(...) ，这就是为什么您应该期望保存三个文件(根据 checkpoint format )。

它不这样做的原因是，通过使用选项save_weights_only=True，您只保存权重。大致相当于在每个时期结束时替换对 model.save 的调用为 model.save_weights 。因此，唯一保存的文件是带有权重的文件。

从这里开始，您可以通过两种不同的方式进行操作:

仅存储权重

您需要预先加载模型(比如说结构)，然后调用 model.load_weights 而不是 keras.models.load_model:

model = MyModel(...)  # Your model definition as used in training
model.load_weights(file_checkpoint)

请注意，在这种情况下，自定义定义 (my_cost_MSE) 不会出现问题，因为您只是加载模型权重。

存储整个模型

另一种方法是存储整个模型并相应地加载它:

cp_callback = k.callbacks.ModelCheckpoint(
    checkpoint_dir,verbose=1,
    save_weights_only=False
)    
parallel_model.compile(
    optimizer=tf.keras.optimizers.Adam(lr=learning_rate),
    loss=my_cost_MSE,
    metrics=['accuracy']
)

model.fit(..., callbacks=[cp_callback])

然后你可以通过以下方式加载它:

model = k.models.load_model(file_checkpoint, custom_objects={"my_cost_MSE": my_cost_MSE})

请注意，在后一种情况下，您需要指定 custom_objects，因为反序列化模型需要它的定义。