Question

我想保存keras模型，并且想保存每个历元的权重以具有最佳权重。我该怎么做？

任何帮助将不胜感激。

代码：

def createModel():
    input_shape=(1, 22, 5, 3844)
    model = Sequential()
    #C1
    model.add(Conv3D(16, (22, 5, 5), strides=(1, 2, 2), padding='same',activation='relu',data_format= "channels_first", input_shape=input_shape))
    model.add(keras.layers.MaxPooling3D(pool_size=(1, 2, 2),data_format= "channels_first",  padding='same'))
    model.add(BatchNormalization())
    #C2
    model.add(Conv3D(32, (1, 3, 3), strides=(1, 1,1), padding='same',data_format= "channels_first",  activation='relu'))#incertezza se togliere padding
    model.add(keras.layers.MaxPooling3D(pool_size=(1,2, 2),data_format= "channels_first", ))
    model.add(BatchNormalization())

     #C3
    model.add(Conv3D(64, (1,3, 3), strides=(1, 1,1), padding='same',data_format= "channels_first",  activation='relu'))#incertezza se togliere padding
    model.add(keras.layers.MaxPooling3D(pool_size=(1,2, 2),data_format= "channels_first",padding='same' ))
    model.add(Dense(64, input_dim=64, kernel_regularizer=regularizers.l2(0.01), activity_regularizer=regularizers.l1(0.01)))
    model.add(BatchNormalization())

    model.add(Flatten())
    model.add(Dropout(0.5))
    model.add(Dense(256, activation='sigmoid'))
    model.add(Dropout(0.5))
    model.add(Dense(2, activation='softmax'))

    opt_adam = keras.optimizers.Adam(lr=0.00001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)
    model.compile(loss='categorical_crossentropy', optimizer=opt_adam, metrics=['accuracy'])

    return model

Answer 1

model.get_weights（）将返回张量作为numpy数组。您可以使用np.save（）将这些权重保存在扩展名为.npy的文件中。

要节省每个时期的权重，您可以在Keras中使用称为回调的方法。

from keras.callbacks import ModelCheckpoint

在进行model.fit之前，如下定义检查点

checkpoint = ModelCheckpoint(.....)，将参数'period'分配为1，这将分配时期的周期性。这应该做到。

Answer 2

我不确定它是否可以工作，但是您可以尝试编写回调，并在回调内部保存权重。

例如

checkpoint = ModelCheckpoint("best_model.hdf5", monitor='loss', verbose=1,
    save_best_only=True, mode='auto', period=1)

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test),
          callbacks=[checkpoint])

source = https://medium.com/@italojs/saving-your-weights-for-each-epoch-keras-callbacks-b494d9648202

Answer 3

您应该同时使用model.get_weights（）和LambdaCallback函数：

model.get_weights（）：以Numpy数组的形式返回模型中所有权重张量的列表。
```
model = Sequential()
weights = model.get_weights()
```

LambdaCallback ：此回调由匿名函数构成，将在适当的时间调用

import json
json_log = open('loss_log.json', mode='wt', buffering=1)
json_logging_callback = LambdaCallback(
            on_epoch_end=lambda epoch, logs: json_log.write(
                json.dumps({'epoch': epoch, 'loss': logs['loss']}) + '\n'),
            on_train_end=lambda logs: json_log.close()
)

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

考虑代码时，您应该编写 callback 函数并将其添加到您的模型：

import json
from keras.callbacks import LambdaCallback

json_log = open('loss_log.json', mode='wt', buffering=1)
json_logging_callback = LambdaCallback(
            on_epoch_end=lambda epoch, logs: json_log.write(
                json.dumps({'epoch': epoch, 
                            'loss': logs['loss'],
                            'weights': model.get_weights()}) + '\n'),
            on_train_end=lambda logs: json_log.close()
)

model.compile(loss='categorical_crossentropy',
              optimizer=opt_adam, 
              metrics=['accuracy'])

model.fit_generator(..., callbacks=[json_logging_callback])

此代码将所有图层的所有权重写入json文件。如果要在特定图层中保存权重，只需使用

更改代码

model.layers[0].get_weights()

Answer 4

您可以使用tf.keras.callbacks.ModelCheckpoint编写ModelCheckpoint回调以节省每个时期的权重。如果您使用的是TF2.1或更高版本的最新Tensorflow，则需要使用save_freq='epoch'来保存每个纪元的权重，而不是使用period=1作为其他提到的答案。请检查整个example here

回调如下

checkpoint_path = "./training_2/cp-{epoch:04d}.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(
   checkpoint_path, verbose=1, save_weights_only=True,
   # Save weights, every epoch.
   save_freq='epoch')

调用模型训练

# Create a basic model instance
model=create_model()
model.save_weights(checkpoint_path.format(epoch=0))
model.fit(x_train, y_train,
         epochs = 50, callbacks = [cp_callback],
         validation_data = (x_test,y_test),
         verbose=0)

希望这会有所帮助。谢谢！

如何为每个时期保存keras模型的权重？

4 个答案:

回调如下

调用模型训练