Zapisz i załaduj modele Keras

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

Wstęp

Model Keras składa się z wielu elementów:

  • Architektura lub konfiguracja, która określa, jakie warstwy zawiera model i jak są one połączone.
  • Zestaw wartości wag ("stan modelu").
  • Optymalizator (zdefiniowany przez kompilację modelu).
  • Zestaw strat i metryk (zdefiniowany przez kompilacji modelu lub dzwoniąc add_loss() lub add_metric() ).

Keras API umożliwia jednoczesne zapisanie wszystkich tych elementów na dysku lub tylko wybiórcze zapisanie niektórych z nich:

  • Zapisywanie wszystkiego w jednym archiwum w formacie TensorFlow SavedModel (lub w starszym formacie Keras H5). To jest standardowa praktyka.
  • Zapisanie samej architektury/konfiguracji, zazwyczaj jako plik JSON.
  • Zapisywanie tylko wartości wag. Jest to zwykle używane podczas uczenia modelu.

Przyjrzyjmy się każdej z tych opcji. Kiedy używałbyś jednego lub drugiego i jak one działają?

Jak zapisać i załadować model

Jeśli masz tylko 10 sekund na przeczytanie tego przewodnika, oto, co musisz wiedzieć.

Zapisywanie modelu Keras:

model = ...  # Get model (Sequential, Functional Model, or Model subclass)
model.save('path/to/location')

Ładowanie modelu z powrotem:

from tensorflow import keras
model = keras.models.load_model('path/to/location')

Przyjrzyjmy się teraz szczegółom.

Ustawiać

import numpy as np
import tensorflow as tf
from tensorflow import keras

Zapisywanie i ładowanie całego modelu

Cały model można zapisać w jednym artefakcie. Obejmie:

  • Architektura/konfiguracja modelu
  • Wartości wag modelki (które zostały wyuczone podczas treningu)
  • Informacje kompilacja modelu (jeśli compile() został powołany)
  • Optymalizator i jego stan, jeśli istnieje (pozwala to na wznowienie treningu od miejsca, w którym się zakończyłeś)

Pszczoła

Istnieją dwa formaty można użyć, aby zapisać cały model na dysk: format TensorFlow SavedModel i starszego formatu Keras H5. Zalecany format to SavedModel. Jest to domyślny podczas korzystania model.save() .

Możesz przełączyć się na format H5 poprzez:

  • Przechodząc save_format='h5' aby save() .
  • Przekazując nazwę pliku, który kończy się .h5 lub .keras do save() .

Zapisany format modelu

SavedModel to bardziej wszechstronny format zapisu, który zapisuje architekturę modelu, wagi i prześledzone podgrafy Tensorflow funkcji wywołania. Dzięki temu Keras może przywracać zarówno warstwy wbudowane, jak i obiekty niestandardowe.

Przykład:

def get_model():
    # Create a simple model.
    inputs = keras.Input(shape=(32,))
    outputs = keras.layers.Dense(1)(inputs)
    model = keras.Model(inputs, outputs)
    model.compile(optimizer="adam", loss="mean_squared_error")
    return model


model = get_model()

# Train the model.
test_input = np.random.random((128, 32))
test_target = np.random.random((128, 1))
model.fit(test_input, test_target)

# Calling `save('my_model')` creates a SavedModel folder `my_model`.
model.save("my_model")

# It can be used to reconstruct the model identically.
reconstructed_model = keras.models.load_model("my_model")

# Let's check:
np.testing.assert_allclose(
    model.predict(test_input), reconstructed_model.predict(test_input)
)

# The reconstructed model is already compiled and has retained the optimizer
# state, so training can resume:
reconstructed_model.fit(test_input, test_target)

4/4 [==============================] - 1s 2ms/step - loss: 0.5884
2021-08-25 17:49:05.320893: W tensorflow/python/util/util.cc:348] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
INFO:tensorflow:Assets written to: my_model/assets
4/4 [==============================] - 0s 2ms/step - loss: 0.5197
<keras.callbacks.History at 0x7f99486ad490>

Co zawiera SavedModel

Wywołanie model.save('my_model') tworzy folder o nazwie my_model , zawierające następujące informacje:

ls my_model

assets  keras_metadata.pb  saved_model.pb  variables

Model architektury i konfiguracji szkolenia (w tym optymalizator, strat oraz wskaźników) są przechowywane w saved_model.pb . Masy są zapisywane w variables/ katalogu.

W celu uzyskania szczegółowych informacji na temat formatu SavedModel, zobacz przewodnik SavedModel (format SavedModel na dysku) .

Jak SavedModel obsługuje obiekty niestandardowe

Podczas zapisywania modelu i jego warstw, SavedModel formacie Przechowuje nazwę klasy, wywołania funkcji, strat i ciężarów (i konfiguracyjne, jeśli zostaną zrealizowane). Funkcja call definiuje wykres obliczeniowy modelu/warstwy.

W przypadku braku konfiguracji modelu/warstwy funkcja call służy do tworzenia modelu, który istnieje podobnie jak model oryginalny, który można trenować, oceniać i wykorzystywać do wnioskowania.

Niemniej jednak zawsze jest to dobra praktyka, aby zdefiniować get_config i from_config metod pisząc niestandardowy model lub klasę warstwy. Pozwala to w razie potrzeby na późniejszą aktualizację obliczeń. Zobacz sekcję o niestandardowych obiektów , aby uzyskać więcej informacji.

Przykład:

class CustomModel(keras.Model):
    def __init__(self, hidden_units):
        super(CustomModel, self).__init__()
        self.hidden_units = hidden_units
        self.dense_layers = [keras.layers.Dense(u) for u in hidden_units]

    def call(self, inputs):
        x = inputs
        for layer in self.dense_layers:
            x = layer(x)
        return x

    def get_config(self):
        return {"hidden_units": self.hidden_units}

    @classmethod
    def from_config(cls, config):
        return cls(**config)


model = CustomModel([16, 16, 10])
# Build the model by calling it
input_arr = tf.random.uniform((1, 5))
outputs = model(input_arr)
model.save("my_model")

# Option 1: Load with the custom_object argument.
loaded_1 = keras.models.load_model(
    "my_model", custom_objects={"CustomModel": CustomModel}
)

# Option 2: Load without the CustomModel class.

# Delete the custom-defined model class to ensure that the loader does not have
# access to it.
del CustomModel

loaded_2 = keras.models.load_model("my_model")
np.testing.assert_allclose(loaded_1(input_arr), outputs)
np.testing.assert_allclose(loaded_2(input_arr), outputs)

print("Original model:", model)
print("Model Loaded with custom objects:", loaded_1)
print("Model loaded without the custom object class:", loaded_2)

INFO:tensorflow:Assets written to: my_model/assets
WARNING:tensorflow:No training configuration found in save file, so the model was *not* compiled. Compile it manually.
WARNING:tensorflow:No training configuration found in save file, so the model was *not* compiled. Compile it manually.
Original model: <__main__.CustomModel object at 0x7f9949c86810>
Model Loaded with custom objects: <__main__.CustomModel object at 0x7f99681f61d0>
Model loaded without the custom object class: <keras.saving.saved_model.load.CustomModel object at 0x7f9aaceefd10>

Pierwszy model jest załadowany ładowane przy użyciu config i CustomModel klasę. Drugi model jest ładowany przez dynamiczne tworzenie klasy modelu, która działa jak oryginalny model.

Konfiguracja zapisanego modelu

Nowy w TensoFlow 2.4 argument save_traces został dodany do model.save , który pozwala na przełączanie SavedModel funkcją śledzenia. Funkcje są zapisywane w celu umożliwienia Keras do obiektów niestandardowych ponowne obciążenie bez oryginalnych definicjami klas, więc kiedy save_traces=False , wszystkie obiekty niestandardowe musi mieć zdefiniowane get_config / from_config metod. Podczas ładowania, obiekty niestandardowe muszą być przekazane do custom_objects argument. save_traces=False zmniejsza ilość miejsca na dysku używanego przez SavedModel i oszczędność czasu.

Format Keras H5

Keras również obsługuje zapisywania pojedynczego pliku hdf5 zawierający architekturę modelu, wartości ciężarów, i compile() informacji. Jest to lekka alternatywa dla SavedModel.

Przykład:

model = get_model()

# Train the model.
test_input = np.random.random((128, 32))
test_target = np.random.random((128, 1))
model.fit(test_input, test_target)

# Calling `save('my_model.h5')` creates a h5 file `my_model.h5`.
model.save("my_h5_model.h5")

# It can be used to reconstruct the model identically.
reconstructed_model = keras.models.load_model("my_h5_model.h5")

# Let's check:
np.testing.assert_allclose(
    model.predict(test_input), reconstructed_model.predict(test_input)
)

# The reconstructed model is already compiled and has retained the optimizer
# state, so training can resume:
reconstructed_model.fit(test_input, test_target)

4/4 [==============================] - 0s 1ms/step - loss: 1.6322
4/4 [==============================] - 0s 1ms/step - loss: 1.4790
<keras.callbacks.History at 0x7f9aacc0fd50>

Ograniczenia

W porównaniu z formatem SavedModel są dwie rzeczy, które nie są zawarte w pliku H5:

  • Straty i metryki zewnętrzne dodane przez model.add_loss() & model.add_metric() nie są zapisywane (w przeciwieństwie SavedModel). Jeśli masz takie straty i metryki w swoim modelu i chcesz wznowić szkolenie, musisz samodzielnie dodać te straty po załadowaniu modelu. Należy pamiętać, że to nie ma zastosowania do strat / metryki wewnątrz warstw utworzonych przez self.add_loss() & self.add_metric() . Dopóki warstwa zostanie załadowana, straty te są przechowywane i metryki, ponieważ są one częścią call metody warstwy.
  • Wykres obliczanie obiektów niestandardowych, takich jak niestandardowe warstwy nie jest wliczone w zapisanym pliku. W czasie ładowania Keras będzie potrzebował dostępu do klas/funkcji tych obiektów w Pythonie, aby zrekonstruować model. Zobacz obiektów klienta .

Ratowanie architektury

Konfiguracja (lub architektura) modelu określa, jakie warstwy zawiera model i jak te warstwy są połączone*. Jeśli masz konfigurację modelu, model można utworzyć ze świeżo zainicjowanym stanem dla wag i bez informacji o kompilacji.

*Zauważ, że dotyczy to tylko modeli zdefiniowanych przy użyciu funkcjonalnego lub sekwencyjnego interfejsu API niepodklasy.

Konfiguracja modelu sekwencyjnego lub modelu funkcjonalnego API

Tego typu modele są wyraźnymi grafami warstw: ich konfiguracja jest zawsze dostępna w ustrukturyzowanej formie.

Pszczoła

get_config() i from_config()

Wywoływanie config = model.get_config() powróci dict Pythona zawierający konfiguracji modelu. Ten sam wzór może być rekonstruowany przez Sequential.from_config(config) (dla Sequential modelu) lub Model.from_config(config) (na funkcjonalny model API).

Ten sam przepływ pracy działa również dla dowolnej warstwy, którą można serializować.

Przykład warstwy:

layer = keras.layers.Dense(3, activation="relu")
layer_config = layer.get_config()
new_layer = keras.layers.Dense.from_config(layer_config)

Przykład modelu sekwencyjnego:

model = keras.Sequential([keras.Input((32,)), keras.layers.Dense(1)])
config = model.get_config()
new_model = keras.Sequential.from_config(config)

Przykład modelu funkcjonalnego:

inputs = keras.Input((32,))
outputs = keras.layers.Dense(1)(inputs)
model = keras.Model(inputs, outputs)
config = model.get_config()
new_model = keras.Model.from_config(config)

to_json() i tf.keras.models.model_from_json()

Jest to podobne do get_config / from_config wyjątkiem okazuje model na ciąg JSON, które następnie mogą być załadowane bez oryginalnego klasy modelu. Jest również specyficzny dla modeli, nie jest przeznaczony dla warstw.

Przykład:

model = keras.Sequential([keras.Input((32,)), keras.layers.Dense(1)])
json_config = model.to_json()
new_model = keras.models.model_from_json(json_config)

Obiekty niestandardowe

Modele i warstwy

Architektura podklasy modeli i warstwy są zdefiniowane w metodach __init__ i call . Są one uważane Pythona kodu bajtowego, które nie mogą być serializowane do JSON-kompatybilnym config - można spróbować szeregowania kodu bajtowego (np poprzez pickle ), ale jest to całkowicie niebezpieczne i oznacza, że model ten nie może być załadowany w innym systemie.

Aby zapisać / wczytać model z własnych zdefiniowanych warstw, lub podklasy modelu, należy nadpisać get_config i ewentualnie from_config metod. Dodatkowo należy użyć rejestru niestandardowego obiektu, aby Keras był tego świadomy.

Funkcje niestandardowe

Określonych przez użytkownika (na przykład utraty funkcji aktywacji lub inicjalizacyjne) nie potrzebują get_config metody. Nazwa funkcji jest wystarczająca do załadowania, o ile jest zarejestrowana jako obiekt niestandardowy.

Ładowanie tylko wykresu TensorFlow

Możliwe jest załadowanie wykresu TensorFlow wygenerowanego przez Keras. Jeśli to zrobisz, nie będziesz musiał dostarczyć żadnych custom_objects . Możesz to zrobić w ten sposób:

model.save("my_model")
tensorflow_graph = tf.saved_model.load("my_model")
x = np.random.uniform(size=(4, 32)).astype(np.float32)
predicted = tensorflow_graph(x).numpy()

WARNING:tensorflow:Compiled the loaded model, but the compiled metrics have yet to be built. `model.compile_metrics` will be empty until you train or evaluate the model.
INFO:tensorflow:Assets written to: my_model/assets

Zauważ, że ta metoda ma kilka wad:

  • Ze względu na możliwość śledzenia należy zawsze mieć dostęp do użytych obiektów niestandardowych. Nie chciałbyś wprowadzić do produkcji modelu, którego nie możesz odtworzyć.
  • Obiekt zwrócony przez tf.saved_model.load nie jest modelem Keras. Więc nie jest tak łatwy w użyciu. Na przykład, nie będzie miał dostępu do .predict() lub .fit()

Nawet jeśli jego użycie jest zalecane, może pomóc, jeśli jesteś w ciasnym miejscu, na przykład, jeśli stracił kod niestandardowych obiektów lub mają problemy z załadowaniem model z tf.keras.models.load_model() .

Możesz dowiedzieć się więcej na stronie o tf.saved_model.load

Definiowanie metod konfiguracji

Dane techniczne:

  • get_config powinien powrócić słownik JSON serializacji, aby być zgodna z Keras architecture- i API modelu oszczędzania.
  • from_config(config) ( classmethod ) należy zwracać nową warstwę lub modelu przedmiotu, który tworzy się z konfiguracji. Powraca Domyślna implementacja cls(**config) .

Przykład:

class CustomLayer(keras.layers.Layer):
    def __init__(self, a):
        self.var = tf.Variable(a, name="var_a")

    def call(self, inputs, training=False):
        if training:
            return inputs * self.var
        else:
            return inputs

    def get_config(self):
        return {"a": self.var.numpy()}

    # There's actually no need to define `from_config` here, since returning
    # `cls(**config)` is the default behavior.
    @classmethod
    def from_config(cls, config):
        return cls(**config)


layer = CustomLayer(5)
layer.var.assign(2)

serialized_layer = keras.layers.serialize(layer)
new_layer = keras.layers.deserialize(
    serialized_layer, custom_objects={"CustomLayer": CustomLayer}
)

Rejestracja niestandardowego obiektu

Keras odnotowuje, która klasa wygenerowała konfigurację. W powyższym przykładzie, tf.keras.layers.serialize generuje szeregowany postać warstwy niestandardowy:

{'class_name': 'CustomLayer', 'config': {'a': 2} }

Keras utrzymuje główną listę wszystkich wbudowanych w warstwie modelu optymalizatora i klas metrycznych, który jest używany, aby znaleźć właściwą klasę zadzwonić from_config . Jeśli klasa nie można znaleźć, wtedy powstaje błąd ( Value Error: Unknown layer ). Istnieje kilka sposobów zarejestrowania klas niestandardowych na tej liście:

  1. Ustawianie custom_objects argument w funkcji obciążenia. (patrz przykład w sekcji powyżej „Definiowanie metod konfiguracji”)
  2. tf.keras.utils.custom_object_scope lub tf.keras.utils.CustomObjectScope
  3. tf.keras.utils.register_keras_serializable

Przykład niestandardowej warstwy i funkcji

class CustomLayer(keras.layers.Layer):
    def __init__(self, units=32, **kwargs):
        super(CustomLayer, self).__init__(**kwargs)
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="random_normal",
            trainable=True,
        )
        self.b = self.add_weight(
            shape=(self.units,), initializer="random_normal", trainable=True
        )

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

    def get_config(self):
        config = super(CustomLayer, self).get_config()
        config.update({"units": self.units})
        return config


def custom_activation(x):
    return tf.nn.tanh(x) ** 2


# Make a model with the CustomLayer and custom_activation
inputs = keras.Input((32,))
x = CustomLayer(32)(inputs)
outputs = keras.layers.Activation(custom_activation)(x)
model = keras.Model(inputs, outputs)

# Retrieve the config
config = model.get_config()

# At loading time, register the custom objects with a `custom_object_scope`:
custom_objects = {"CustomLayer": CustomLayer, "custom_activation": custom_activation}
with keras.utils.custom_object_scope(custom_objects):
    new_model = keras.Model.from_config(config)

Klonowanie modelu w pamięci

Można również zrobić klonowanie w pamięci modelu poprzez tf.keras.models.clone_model() . Jest to równoważne pobraniu konfiguracji, a następnie odtworzeniu modelu z jego konfiguracji (więc nie zachowuje informacji o kompilacji ani wartości wag warstw).

Przykład:

with keras.utils.custom_object_scope(custom_objects):
    new_model = keras.models.clone_model(model)

Zapisywanie i wczytywanie tylko wartości wag modelu

Możesz wybrać tylko zapisywanie i wczytywanie ciężarów modelu. Może to być przydatne, jeśli:

  • Potrzebujesz tylko modelu do wnioskowania: w tym przypadku nie musisz ponownie uruchamiać uczenia, więc nie potrzebujesz informacji o kompilacji ani stanu optymalizatora.
  • Wykonujesz uczenie transferu: w tym przypadku będziesz trenować nowy model ponownie wykorzystując stan poprzedniego modelu, więc nie potrzebujesz informacji o kompilacji poprzedniego modelu.

Interfejsy API do przenoszenia wagi w pamięci

Ciężary mogą być kopiowane pomiędzy różnymi obiektami za pomocą get_weights i set_weights :

Przykłady poniżej.

Przenoszenie ciężarów z jednej warstwy na drugą w pamięci

def create_layer():
    layer = keras.layers.Dense(64, activation="relu", name="dense_2")
    layer.build((None, 784))
    return layer


layer_1 = create_layer()
layer_2 = create_layer()

# Copy weights from layer 1 to layer 2
layer_2.set_weights(layer_1.get_weights())

Przenoszenie ciężarów z jednego modelu do innego modelu o kompatybilnej architekturze w pamięci

# Create a simple functional model
inputs = keras.Input(shape=(784,), name="digits")
x = keras.layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = keras.layers.Dense(64, activation="relu", name="dense_2")(x)
outputs = keras.layers.Dense(10, name="predictions")(x)
functional_model = keras.Model(inputs=inputs, outputs=outputs, name="3_layer_mlp")

# Define a subclassed model with the same architecture
class SubclassedModel(keras.Model):
    def __init__(self, output_dim, name=None):
        super(SubclassedModel, self).__init__(name=name)
        self.output_dim = output_dim
        self.dense_1 = keras.layers.Dense(64, activation="relu", name="dense_1")
        self.dense_2 = keras.layers.Dense(64, activation="relu", name="dense_2")
        self.dense_3 = keras.layers.Dense(output_dim, name="predictions")

    def call(self, inputs):
        x = self.dense_1(inputs)
        x = self.dense_2(x)
        x = self.dense_3(x)
        return x

    def get_config(self):
        return {"output_dim": self.output_dim, "name": self.name}


subclassed_model = SubclassedModel(10)
# Call the subclassed model once to create the weights.
subclassed_model(tf.ones((1, 784)))

# Copy weights from functional_model to subclassed_model.
subclassed_model.set_weights(functional_model.get_weights())

assert len(functional_model.weights) == len(subclassed_model.weights)
for a, b in zip(functional_model.weights, subclassed_model.weights):
    np.testing.assert_allclose(a.numpy(), b.numpy())

Przypadek warstw bezpaństwowych

Ponieważ warstwy bezstanowe nie zmieniają kolejności ani liczby wag, modele mogą mieć zgodne architektury, nawet jeśli istnieją dodatkowe/brakujące warstwy bezstanowe.

inputs = keras.Input(shape=(784,), name="digits")
x = keras.layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = keras.layers.Dense(64, activation="relu", name="dense_2")(x)
outputs = keras.layers.Dense(10, name="predictions")(x)
functional_model = keras.Model(inputs=inputs, outputs=outputs, name="3_layer_mlp")

inputs = keras.Input(shape=(784,), name="digits")
x = keras.layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = keras.layers.Dense(64, activation="relu", name="dense_2")(x)

# Add a dropout layer, which does not contain any weights.
x = keras.layers.Dropout(0.5)(x)
outputs = keras.layers.Dense(10, name="predictions")(x)
functional_model_with_dropout = keras.Model(
    inputs=inputs, outputs=outputs, name="3_layer_mlp"
)

functional_model_with_dropout.set_weights(functional_model.get_weights())

Interfejsy API do zapisywania wag na dysku i ładowania ich z powrotem

Ciężary mogą być zapisywane na dysku poprzez wywołanie model.save_weights w następujących formatach:

  • Punkt kontrolny przepływu Tensor
  • HDF5

Domyślny format model.save_weights jest TensorFlow checkpoint. Istnieją dwa sposoby określenia formatu zapisu:

  1. save_format argumentem: Ustaw wartość save_format="tf" lub save_format="h5" .
  2. path Argument: Jeżeli końce Ścieżka z .h5 lub .hdf5 , następnie format HDF5 jest używany. Inne przyrostki spowoduje checkpoint TensorFlow chyba save_format jest ustawiony.

Istnieje również opcja pobierania wag jako tablic numpy w pamięci. Każdy interfejs API ma swoje zalety i wady, które są szczegółowo opisane poniżej.

Format punktu kontrolnego TF

Przykład:

# Runnable example
sequential_model = keras.Sequential(
    [
        keras.Input(shape=(784,), name="digits"),
        keras.layers.Dense(64, activation="relu", name="dense_1"),
        keras.layers.Dense(64, activation="relu", name="dense_2"),
        keras.layers.Dense(10, name="predictions"),
    ]
)
sequential_model.save_weights("ckpt")
load_status = sequential_model.load_weights("ckpt")

# `assert_consumed` can be used as validation that all variable values have been
# restored from the checkpoint. See `tf.train.Checkpoint.restore` for other
# methods in the Status object.
load_status.assert_consumed()

<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f9aaca4ced0>

Szczegóły formatu

Format TensorFlow Checkpoint zapisuje i przywraca wagi przy użyciu nazw atrybutów obiektów. Na przykład, rozważmy tf.keras.layers.Dense warstwę. Warstwa zawiera dwie grubości: dense.kernel i dense.bias . Gdy warstwa jest zapisany w tf formacie uzyskany punkt kontrolny zawiera klucze "kernel" i "bias" i odpowiadających im wartości masy. Aby uzyskać więcej informacji, zobacz „Ładowanie mechanikę” w instrukcji TF Checkpoint .

Zauważ, że krawędź atrybut / wykres jest nazwany nazwa używana w obiektu nadrzędnego, a nie nazwą zmiennej. Rozważmy CustomLayer w poniższym przykładzie. Zmienna CustomLayer.var są zapisywane z "var" jako część klucza, a nie "var_a" .

class CustomLayer(keras.layers.Layer):
    def __init__(self, a):
        self.var = tf.Variable(a, name="var_a")


layer = CustomLayer(5)
layer_ckpt = tf.train.Checkpoint(layer=layer).save("custom_layer")

ckpt_reader = tf.train.load_checkpoint(layer_ckpt)

ckpt_reader.get_variable_to_dtype_map()

{'save_counter/.ATTRIBUTES/VARIABLE_VALUE': tf.int64,
 '_CHECKPOINTABLE_OBJECT_GRAPH': tf.string,
 'layer/var/.ATTRIBUTES/VARIABLE_VALUE': tf.int32}

Przenieś przykład uczenia się

Zasadniczo, dopóki dwa modele mają tę samą architekturę, mogą współdzielić ten sam punkt kontrolny.

Przykład:

inputs = keras.Input(shape=(784,), name="digits")
x = keras.layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = keras.layers.Dense(64, activation="relu", name="dense_2")(x)
outputs = keras.layers.Dense(10, name="predictions")(x)
functional_model = keras.Model(inputs=inputs, outputs=outputs, name="3_layer_mlp")

# Extract a portion of the functional model defined in the Setup section.
# The following lines produce a new model that excludes the final output
# layer of the functional model.
pretrained = keras.Model(
    functional_model.inputs, functional_model.layers[-1].input, name="pretrained_model"
)
# Randomly assign "trained" weights.
for w in pretrained.weights:
    w.assign(tf.random.normal(w.shape))
pretrained.save_weights("pretrained_ckpt")
pretrained.summary()

# Assume this is a separate program where only 'pretrained_ckpt' exists.
# Create a new functional model with a different output dimension.
inputs = keras.Input(shape=(784,), name="digits")
x = keras.layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = keras.layers.Dense(64, activation="relu", name="dense_2")(x)
outputs = keras.layers.Dense(5, name="predictions")(x)
model = keras.Model(inputs=inputs, outputs=outputs, name="new_model")

# Load the weights from pretrained_ckpt into model.
model.load_weights("pretrained_ckpt")

# Check that all of the pretrained weights have been loaded.
for a, b in zip(pretrained.weights, model.weights):
    np.testing.assert_allclose(a.numpy(), b.numpy())

print("\n", "-" * 50)
model.summary()

# Example 2: Sequential model
# Recreate the pretrained model, and load the saved weights.
inputs = keras.Input(shape=(784,), name="digits")
x = keras.layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = keras.layers.Dense(64, activation="relu", name="dense_2")(x)
pretrained_model = keras.Model(inputs=inputs, outputs=x, name="pretrained")

# Sequential example:
model = keras.Sequential([pretrained_model, keras.layers.Dense(5, name="predictions")])
model.summary()

pretrained_model.load_weights("pretrained_ckpt")

# Warning! Calling `model.load_weights('pretrained_ckpt')` won't throw an error,
# but will *not* work as expected. If you inspect the weights, you'll see that
# none of the weights will have loaded. `pretrained_model.load_weights()` is the
# correct method to call.

Model: "pretrained_model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
digits (InputLayer)          [(None, 784)]             0         
_________________________________________________________________
dense_1 (Dense)              (None, 64)                50240     
_________________________________________________________________
dense_2 (Dense)              (None, 64)                4160      
=================================================================
Total params: 54,400
Trainable params: 54,400
Non-trainable params: 0
_________________________________________________________________

 --------------------------------------------------
Model: "new_model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
digits (InputLayer)          [(None, 784)]             0         
_________________________________________________________________
dense_1 (Dense)              (None, 64)                50240     
_________________________________________________________________
dense_2 (Dense)              (None, 64)                4160      
_________________________________________________________________
predictions (Dense)          (None, 5)                 325       
=================================================================
Total params: 54,725
Trainable params: 54,725
Non-trainable params: 0
_________________________________________________________________
Model: "sequential_3"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
pretrained (Functional)      (None, 64)                54400     
_________________________________________________________________
predictions (Dense)          (None, 5)                 325       
=================================================================
Total params: 54,725
Trainable params: 54,725
Non-trainable params: 0
_________________________________________________________________
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f9aaca76990>

Generalnie zaleca się trzymanie tego samego interfejsu API do budowania modeli. Jeśli przełączasz się między sekwencyjnym i funkcjonalnym lub funkcjonalnym i podklasą itp., zawsze odbuduj wstępnie przeszkolony model i załaduj wstępnie przeszkolone wagi do tego modelu.

Kolejne pytanie brzmi: w jaki sposób można zapisywać wagi i ładować je do różnych modeli, jeśli architektury modeli są zupełnie inne? Rozwiązaniem jest użycie tf.train.Checkpoint aby zapisać i odtworzyć dokładnie warstw / zmienne.

Przykład:

# Create a subclassed model that essentially uses functional_model's first
# and last layers.
# First, save the weights of functional_model's first and last dense layers.
first_dense = functional_model.layers[1]
last_dense = functional_model.layers[-1]
ckpt_path = tf.train.Checkpoint(
    dense=first_dense, kernel=last_dense.kernel, bias=last_dense.bias
).save("ckpt")

# Define the subclassed model.
class ContrivedModel(keras.Model):
    def __init__(self):
        super(ContrivedModel, self).__init__()
        self.first_dense = keras.layers.Dense(64)
        self.kernel = self.add_variable("kernel", shape=(64, 10))
        self.bias = self.add_variable("bias", shape=(10,))

    def call(self, inputs):
        x = self.first_dense(inputs)
        return tf.matmul(x, self.kernel) + self.bias


model = ContrivedModel()
# Call model on inputs to create the variables of the dense layer.
_ = model(tf.ones((1, 784)))

# Create a Checkpoint with the same structure as before, and load the weights.
tf.train.Checkpoint(
    dense=model.first_dense, kernel=model.kernel, bias=model.bias
).restore(ckpt_path).assert_consumed()

/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/engine/base_layer.py:2223: UserWarning: `layer.add_variable` is deprecated and will be removed in a future version. Please use `layer.add_weight` method instead.
  warnings.warn('`layer.add_variable` is deprecated and '
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f9aaca6f390>

Format HDF5

Format HDF5 zawiera wagi pogrupowane według nazw warstw. Masy są listy zamówionych przez złączenie listę wyszkolić ciężarków do listy ciężarami niż wyszkolić (tak samo jak layer.weights ). W ten sposób model może używać punktu kontrolnego hdf5, jeśli ma te same warstwy i statusy możliwe do trenowania, co zapisane w punkcie kontrolnym.

Przykład:

# Runnable example
sequential_model = keras.Sequential(
    [
        keras.Input(shape=(784,), name="digits"),
        keras.layers.Dense(64, activation="relu", name="dense_1"),
        keras.layers.Dense(64, activation="relu", name="dense_2"),
        keras.layers.Dense(10, name="predictions"),
    ]
)
sequential_model.save_weights("weights.h5")
sequential_model.load_weights("weights.h5")

Należy pamiętać, że zmieniając layer.trainable może skutkować innym layer.weights zamawiania kiedy model zawiera zagnieżdżonych warstw.

class NestedDenseLayer(keras.layers.Layer):
    def __init__(self, units, name=None):
        super(NestedDenseLayer, self).__init__(name=name)
        self.dense_1 = keras.layers.Dense(units, name="dense_1")
        self.dense_2 = keras.layers.Dense(units, name="dense_2")

    def call(self, inputs):
        return self.dense_2(self.dense_1(inputs))


nested_model = keras.Sequential([keras.Input((784,)), NestedDenseLayer(10, "nested")])
variable_names = [v.name for v in nested_model.weights]
print("variables: {}".format(variable_names))

print("\nChanging trainable status of one of the nested layers...")
nested_model.get_layer("nested").dense_1.trainable = False

variable_names_2 = [v.name for v in nested_model.weights]
print("\nvariables: {}".format(variable_names_2))
print("variable ordering changed:", variable_names != variable_names_2)

variables: ['nested/dense_1/kernel:0', 'nested/dense_1/bias:0', 'nested/dense_2/kernel:0', 'nested/dense_2/bias:0']

Changing trainable status of one of the nested layers...

variables: ['nested/dense_2/kernel:0', 'nested/dense_2/bias:0', 'nested/dense_1/kernel:0', 'nested/dense_1/bias:0']
variable ordering changed: True

Przenieś przykład uczenia się

Podczas ładowania wstępnie wytrenowanych wag z HDF5 zaleca się załadowanie wag do oryginalnego modelu z punktem kontrolnym, a następnie wyodrębnienie żądanych wag/warstw do nowego modelu.

Przykład:

def create_functional_model():
    inputs = keras.Input(shape=(784,), name="digits")
    x = keras.layers.Dense(64, activation="relu", name="dense_1")(inputs)
    x = keras.layers.Dense(64, activation="relu", name="dense_2")(x)
    outputs = keras.layers.Dense(10, name="predictions")(x)
    return keras.Model(inputs=inputs, outputs=outputs, name="3_layer_mlp")


functional_model = create_functional_model()
functional_model.save_weights("pretrained_weights.h5")

# In a separate program:
pretrained_model = create_functional_model()
pretrained_model.load_weights("pretrained_weights.h5")

# Create a new model by extracting layers from the original model:
extracted_layers = pretrained_model.layers[:-1]
extracted_layers.append(keras.layers.Dense(5, name="dense_3"))
model = keras.Sequential(extracted_layers)
model.summary()

Model: "sequential_6"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 64)                50240     
_________________________________________________________________
dense_2 (Dense)              (None, 64)                4160      
_________________________________________________________________
dense_3 (Dense)              (None, 5)                 325       
=================================================================
Total params: 54,725
Trainable params: 54,725
Non-trainable params: 0
_________________________________________________________________