 Посмотреть на TensorFlow.org |  Запускаем в Google Colab |  Посмотреть исходный код на GitHub |  Скачать блокнот |
Прогресс модели можно сохранить во время и после обучения. Это означает, что модель может возобновить работу с того места, где она остановилась, и избежать длительного обучения. Сохранение также означает, что вы можете поделиться своей моделью, а другие могут воссоздать вашу работу. Публикуя исследовательские модели и методы, большинство практиков машинного обучения делятся:
- код для создания модели и
- обученные веса или параметры для модели
Совместное использование этих данных помогает другим понять, как работает модель, и опробовать ее на новых данных.
Параметры
Существуют разные способы сохранения моделей TensorFlow в зависимости от используемого API. В этом руководстве используется tf.keras , высокоуровневый API для создания и обучения моделей в TensorFlow. Для других подходов см. Руководство по сохранению и восстановлению TensorFlow или « Сохранение в нетерпении» .
Настраивать
Установки и импорт
Установите и импортируйте TensorFlow и зависимости:
pip install -q pyyaml h5py # Required to save models in HDF5 format
import os
import tensorflow as tf
from tensorflow import keras
print(tf.version.VERSION)
2.4.1
Получите образец набора данных
Чтобы продемонстрировать, как сохранять и загружать веса, вы будете использовать набор данных MNIST . Чтобы ускорить эти прогоны, используйте первые 1000 примеров:
(train_images, train_labels), (test_images, test_labels) = tf.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
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz 11493376/11490434 [==============================] - 0s 0us/step
Определить модель
Начнем с построения простой последовательной модели:
# Define a simple sequential model
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)
])
model.compile(optimizer='adam',
loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=[tf.metrics.SparseCategoricalAccuracy()])
return model
# Create a basic model instance
model = create_model()
# Display the model's architecture
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 _________________________________________________________________
Сохраняйте контрольные точки во время обучения
Вы можете использовать обученную модель без необходимости ее переобучать или продолжить обучение с того места, где вы остановились, если процесс обучения был прерван. tf.keras.callbacks.ModelCheckpoint вызов tf.keras.callbacks.ModelCheckpoint позволяет постоянно сохранять модель как во время, так и в конце обучения.
Использование обратного вызова контрольной точки
Создайте tf.keras.callbacks.ModelCheckpoint вызов tf.keras.callbacks.ModelCheckpoint который сохраняет веса только во время обучения:
checkpoint_path = "training_1/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)
# Create a callback that saves the model's weights
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
save_weights_only=True,
verbose=1)
# Train the model with the new callback
model.fit(train_images,
train_labels,
epochs=10,
validation_data=(test_images, test_labels),
callbacks=[cp_callback]) # Pass callback to training
# This may generate warnings related to saving the state of the optimizer.
# These warnings (and similar warnings throughout this notebook)
# are in place to discourage outdated usage, and can be ignored.
Epoch 1/10 32/32 [==============================] - 1s 14ms/step - loss: 1.6718 - sparse_categorical_accuracy: 0.4717 - val_loss: 0.7284 - val_sparse_categorical_accuracy: 0.7810 Epoch 00001: saving model to training_1/cp.ckpt Epoch 2/10 32/32 [==============================] - 0s 4ms/step - loss: 0.4771 - sparse_categorical_accuracy: 0.8706 - val_loss: 0.5380 - val_sparse_categorical_accuracy: 0.8350 Epoch 00002: saving model to training_1/cp.ckpt Epoch 3/10 32/32 [==============================] - 0s 4ms/step - loss: 0.2798 - sparse_categorical_accuracy: 0.9223 - val_loss: 0.4721 - val_sparse_categorical_accuracy: 0.8490 Epoch 00003: saving model to training_1/cp.ckpt Epoch 4/10 32/32 [==============================] - 0s 4ms/step - loss: 0.1965 - sparse_categorical_accuracy: 0.9597 - val_loss: 0.4343 - val_sparse_categorical_accuracy: 0.8550 Epoch 00004: saving model to training_1/cp.ckpt Epoch 5/10 32/32 [==============================] - 0s 4ms/step - loss: 0.1510 - sparse_categorical_accuracy: 0.9667 - val_loss: 0.4308 - val_sparse_categorical_accuracy: 0.8660 Epoch 00005: saving model to training_1/cp.ckpt Epoch 6/10 32/32 [==============================] - 0s 4ms/step - loss: 0.1140 - sparse_categorical_accuracy: 0.9845 - val_loss: 0.4052 - val_sparse_categorical_accuracy: 0.8680 Epoch 00006: saving model to training_1/cp.ckpt Epoch 7/10 32/32 [==============================] - 0s 4ms/step - loss: 0.0908 - sparse_categorical_accuracy: 0.9838 - val_loss: 0.4120 - val_sparse_categorical_accuracy: 0.8660 Epoch 00007: saving model to training_1/cp.ckpt Epoch 8/10 32/32 [==============================] - 0s 4ms/step - loss: 0.0632 - sparse_categorical_accuracy: 0.9936 - val_loss: 0.4178 - val_sparse_categorical_accuracy: 0.8600 Epoch 00008: saving model to training_1/cp.ckpt Epoch 9/10 32/32 [==============================] - 0s 4ms/step - loss: 0.0526 - sparse_categorical_accuracy: 0.9991 - val_loss: 0.3975 - val_sparse_categorical_accuracy: 0.8680 Epoch 00009: saving model to training_1/cp.ckpt Epoch 10/10 32/32 [==============================] - 0s 4ms/step - loss: 0.0391 - sparse_categorical_accuracy: 1.0000 - val_loss: 0.4106 - val_sparse_categorical_accuracy: 0.8660 Epoch 00010: saving model to training_1/cp.ckpt <tensorflow.python.keras.callbacks.History at 0x7f54502f6128>
Это создает единую коллекцию файлов контрольных точек TensorFlow, которые обновляются в конце каждой эпохи:
os.listdir(checkpoint_dir)
['checkpoint', 'cp.ckpt.data-00000-of-00001', 'cp.ckpt.index']
Пока две модели имеют одну и ту же архитектуру, вы можете разделять веса между ними. Таким образом, при восстановлении модели с использованием только весов создайте модель с той же архитектурой, что и исходная модель, а затем установите ее веса.
Теперь создайте новую, необученную модель и оцените ее на тестовом наборе. Неподготовленная модель будет работать с вероятностью (точность ~ 10%):
# Create a basic model instance
model = create_model()
# Evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Untrained model, accuracy: {:5.2f}%".format(100 * acc))
32/32 - 0s - loss: 2.3199 - sparse_categorical_accuracy: 0.1070 Untrained model, accuracy: 10.70%
Затем загрузите веса из контрольной точки и повторно оцените:
# Loads the weights
model.load_weights(checkpoint_path)
# Re-evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
32/32 - 0s - loss: 0.4106 - sparse_categorical_accuracy: 0.8660 Restored model, accuracy: 86.60%
Варианты обратного вызова контрольной точки
Обратный вызов предоставляет несколько вариантов для предоставления уникальных имен для контрольных точек и настройки частоты контрольных точек.
Обучите новую модель и сохраняйте контрольные точки с уникальными именами каждые пять эпох:
# Include the epoch in the file name (uses `str.format`)
checkpoint_path = "training_2/cp-{epoch:04d}.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)
batch_size = 32
# Create a callback that saves the model's weights every 5 epochs
cp_callback = tf.keras.callbacks.ModelCheckpoint(
filepath=checkpoint_path,
verbose=1,
save_weights_only=True,
save_freq=5*batch_size)
# Create a new model instance
model = create_model()
# Save the weights using the `checkpoint_path` format
model.save_weights(checkpoint_path.format(epoch=0))
# Train the model with the new callback
model.fit(train_images,
train_labels,
epochs=50,
batch_size=batch_size,
callbacks=[cp_callback],
validation_data=(test_images, test_labels),
verbose=0)
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details. Epoch 00005: saving model to training_2/cp-0005.ckpt Epoch 00010: saving model to training_2/cp-0010.ckpt Epoch 00015: saving model to training_2/cp-0015.ckpt Epoch 00020: saving model to training_2/cp-0020.ckpt Epoch 00025: saving model to training_2/cp-0025.ckpt Epoch 00030: saving model to training_2/cp-0030.ckpt Epoch 00035: saving model to training_2/cp-0035.ckpt Epoch 00040: saving model to training_2/cp-0040.ckpt Epoch 00045: saving model to training_2/cp-0045.ckpt Epoch 00050: saving model to training_2/cp-0050.ckpt <tensorflow.python.keras.callbacks.History at 0x7f544fe8ffd0>
Теперь посмотрите на получившиеся контрольные точки и выберите последнюю:
os.listdir(checkpoint_dir)
['cp-0035.ckpt.index', 'cp-0010.ckpt.data-00000-of-00001', 'cp-0025.ckpt.index', 'cp-0035.ckpt.data-00000-of-00001', 'checkpoint', 'cp-0015.ckpt.data-00000-of-00001', 'cp-0050.ckpt.data-00000-of-00001', 'cp-0040.ckpt.data-00000-of-00001', 'cp-0005.ckpt.index', 'cp-0005.ckpt.data-00000-of-00001', 'cp-0020.ckpt.data-00000-of-00001', 'cp-0045.ckpt.index', 'cp-0010.ckpt.index', 'cp-0045.ckpt.data-00000-of-00001', 'cp-0030.ckpt.index', 'cp-0000.ckpt.index', 'cp-0015.ckpt.index', 'cp-0025.ckpt.data-00000-of-00001', 'cp-0030.ckpt.data-00000-of-00001', 'cp-0000.ckpt.data-00000-of-00001', 'cp-0020.ckpt.index', 'cp-0050.ckpt.index', 'cp-0040.ckpt.index']
latest = tf.train.latest_checkpoint(checkpoint_dir)
latest
'training_2/cp-0050.ckpt'
Для тестирования сбросьте модель и загрузите последнюю контрольную точку:
# Create a new model instance
model = create_model()
# Load the previously saved weights
model.load_weights(latest)
# Re-evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
32/32 - 0s - loss: 0.4639 - sparse_categorical_accuracy: 0.8770 Restored model, accuracy: 87.70%
Что это за файлы?
Приведенный выше код сохраняет веса в коллекции файлов с форматированием контрольных точек, которые содержат только обученные веса в двоичном формате. Контрольно-пропускные пункты содержат:
- Один или несколько осколков, содержащих веса вашей модели.
- Индексный файл, который указывает, какие веса хранятся в каком сегменте.
Если вы обучаете модель на одной машине, у вас будет один осколок с суффиксом: .data-00000-of-00001
Сохранение веса вручную
Сохранение весов вручную с Model.save_weights метода Model.save_weights . По умолчанию tf.keras - и save_weights в частности - использует формат контрольной точки .ckpt расширением .ckpt (сохранение в HDF5 с расширением .h5 в руководстве по сохранению и сериализации моделей ):
# Save the weights
model.save_weights('./checkpoints/my_checkpoint')
# Create a new model instance
model = create_model()
# Restore the weights
model.load_weights('./checkpoints/my_checkpoint')
# Evaluate the model
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.iter WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_1 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.beta_2 WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.decay WARNING:tensorflow:Unresolved object in checkpoint: (root).optimizer.learning_rate WARNING:tensorflow:A checkpoint was restored (e.g. tf.train.Checkpoint.restore or tf.keras.Model.load_weights) but not all checkpointed values were used. See above for specific issues. Use expect_partial() on the load status object, e.g. tf.train.Checkpoint.restore(...).expect_partial(), to silence these warnings, or use assert_consumed() to make the check explicit. See https://www.tensorflow.org/guide/checkpoint#loading_mechanics for details. 32/32 - 0s - loss: 0.4639 - sparse_categorical_accuracy: 0.8770 Restored model, accuracy: 87.70%
Сохраните всю модель
Вызовите model.save чтобы сохранить архитектуру модели, веса и конфигурацию обучения в одном файле / папке. Это позволяет вам экспортировать модель, чтобы ее можно было использовать без доступа к исходному коду Python *. Поскольку состояние оптимизатора восстанавливается, вы можете возобновить обучение с того места, где остановились.
Вся модель может быть сохранена в двух разных форматах файлов ( SavedModel и HDF5 ). Формат SavedModel - это формат файла по умолчанию в TF2.x. Однако модели можно сохранять в формате HDF5 . Более подробная информация о сохранении целых моделей в двух форматах файлов описана ниже.
Сохранение полнофункциональной модели очень полезно - вы можете загрузить их в TensorFlow.js ( сохраненная модель , HDF5 ), а затем обучить и запустить их в веб-браузерах или преобразовать их для работы на мобильных устройствах с помощью TensorFlow Lite ( сохраненная модель , HDF5). )
* Пользовательские объекты (например, подклассы моделей или слои) требуют особого внимания при сохранении и загрузке. См. Раздел « Сохранение пользовательских объектов » ниже.
Формат SavedModel
Формат SavedModel - еще один способ сериализации моделей. Модели, сохраненные в этом формате, могут быть восстановлены с помощью tf.keras.models.load_model и совместимы с TensorFlow Serving. В руководстве SavedModel подробно рассказывается о том, как обслуживать / проверять SavedModel. В следующем разделе показаны шаги по сохранению и восстановлению модели.
# Create and train a new model instance.
model = create_model()
model.fit(train_images, train_labels, epochs=5)
# Save the entire model as a SavedModel.
!mkdir -p saved_model
model.save('saved_model/my_model')
Epoch 1/5 32/32 [==============================] - 0s 2ms/step - loss: 1.5348 - sparse_categorical_accuracy: 0.5511 Epoch 2/5 32/32 [==============================] - 0s 2ms/step - loss: 0.4735 - sparse_categorical_accuracy: 0.8777 Epoch 3/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2538 - sparse_categorical_accuracy: 0.9408 Epoch 4/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2100 - sparse_categorical_accuracy: 0.9483 Epoch 5/5 32/32 [==============================] - 0s 2ms/step - loss: 0.1559 - sparse_categorical_accuracy: 0.9679 INFO:tensorflow:Assets written to: saved_model/my_model/assets
Формат SavedModel - это каталог, содержащий двоичный файл protobuf и контрольную точку TensorFlow. Осмотрите каталог сохраненной модели:
# my_model directoryls saved_model# Contains an assets folder, saved_model.pb, and variables folder.ls saved_model/my_model
my_model assets saved_model.pb variables
Перезагрузите новую модель Keras из сохраненной модели:
new_model = tf.keras.models.load_model('saved_model/my_model')
# Check its architecture
new_model.summary()
Model: "sequential_5" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense_10 (Dense) (None, 512) 401920 _________________________________________________________________ dropout_5 (Dropout) (None, 512) 0 _________________________________________________________________ dense_11 (Dense) (None, 10) 5130 ================================================================= Total params: 407,050 Trainable params: 407,050 Non-trainable params: 0 _________________________________________________________________
Восстановленная модель составляется с теми же аргументами, что и исходная модель. Попробуйте выполнить оценку и прогнозирование с загруженной моделью:
# Evaluate the restored model
loss, acc = new_model.evaluate(test_images, test_labels, verbose=2)
print('Restored model, accuracy: {:5.2f}%'.format(100 * acc))
print(new_model.predict(test_images).shape)
32/32 - 0s - loss: 0.4454 - sparse_categorical_accuracy: 0.8500 Restored model, accuracy: 85.00% (1000, 10)
Формат HDF5
Keras предоставляет базовый формат сохранения с использованием стандарта HDF5 .
# Create and train a new model instance.
model = create_model()
model.fit(train_images, train_labels, epochs=5)
# Save the entire model to a HDF5 file.
# The '.h5' extension indicates that the model should be saved to HDF5.
model.save('my_model.h5')
Epoch 1/5 32/32 [==============================] - 0s 2ms/step - loss: 1.6127 - sparse_categorical_accuracy: 0.5163 Epoch 2/5 32/32 [==============================] - 0s 2ms/step - loss: 0.4528 - sparse_categorical_accuracy: 0.8731 Epoch 3/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2975 - sparse_categorical_accuracy: 0.9306 Epoch 4/5 32/32 [==============================] - 0s 2ms/step - loss: 0.2404 - sparse_categorical_accuracy: 0.9338 Epoch 5/5 32/32 [==============================] - 0s 2ms/step - loss: 0.1419 - sparse_categorical_accuracy: 0.9679
Теперь воссоздайте модель из этого файла:
# Recreate the exact same model, including its weights and the optimizer
new_model = tf.keras.models.load_model('my_model.h5')
# Show the model architecture
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 _________________________________________________________________
Проверьте его точность:
loss, acc = new_model.evaluate(test_images, test_labels, verbose=2)
print('Restored model, accuracy: {:5.2f}%'.format(100 * acc))
32/32 - 0s - loss: 0.4260 - sparse_categorical_accuracy: 0.8680 Restored model, accuracy: 86.80%
Keras сохраняет модели, проверяя их архитектуры. Этот прием спасает все:
- Значения веса
- Архитектура модели
- Конфигурация обучения модели (что вы передаете
.compile()) - Оптимизатор и его состояние, если таковое имеется (это позволяет перезапустить обучение с того места, где вы остановились)
Keras не может сохранить оптимизаторы v1.x (из tf.compat.v1.train ), поскольку они несовместимы с контрольными tf.compat.v1.train . Для оптимизаторов v1.x вам необходимо перекомпилировать модель после загрузки - потеря состояния оптимизатора.
Сохранение пользовательских объектов
Если вы используете формат SavedModel, вы можете пропустить этот раздел. Ключевое различие между HDF5 и SavedModel заключается в том, что HDF5 использует конфигурации объектов для сохранения архитектуры модели, а SavedModel сохраняет график выполнения. Таким образом, SavedModels может сохранять настраиваемые объекты, такие как подклассовые модели и настраиваемые слои, без необходимости использования исходного кода.
Чтобы сохранить пользовательские объекты в HDF5, необходимо сделать следующее:
- Определите в своем объекте метод
get_configи, возможно,from_configкласса from_config.-
get_config(self)возвращает JSON-сериализуемый словарь параметров, необходимых для воссоздания объекта. -
from_config(cls, config)использует конфигурацию, возвращенную изget_configдля создания нового объекта. По умолчанию эта функция будет использовать конфиг в качестве инициализации kwargs (return cls(**config)).
-
- Передайте объект в аргумент
custom_objectsпри загрузке модели. Аргументом должен быть словарь, сопоставляющий имя строкового класса с классом Python. Например,tf.keras.models.load_model(path, custom_objects={'CustomLayer': CustomLayer})
См. get_config « Написание слоев и моделей с нуля», где приведены примеры пользовательских объектов и get_config .
# MIT License
#
# Copyright (c) 2017 François Chollet
#
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
#
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.
#
# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
# IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
# FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL
# THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
# LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
# FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
# DEALINGS IN THE SOFTWARE.