Question

我正在使用具有张量流的keras来实现具有CNN的深度自动编码器：

因此，基本上该模型将类似于：

    input_data = Input(shape=(40,500,1))

    #encoder  
    x= Conv2D(32,kernel_size=(3,3), padding="same",activation='linear')(input_data)       
    encoded= Conv2D(15,kernel_size=(1,2), strides=(1,2), padding="same",activation='linear')(x)  


    #decoder             
    x= Conv2DTranspose(15,kernel_size=(1,2), padding="same",activation='linear')(encoded)        
    x= Conv2DTranspose(32,kernel_size=(3,3), padding="same",activation='linear')(x)
    decoded = Conv2DTranspose(1, (3, 3), activation=activationfuntion, padding="same")(x)

    autoencoder = Model(inputs=input_data,outputs=decoded)
    encoder = Model(inputs=input_data,outputs=encoded)

为了在训练过程中节省最佳的模型权重，我使用了ModelCheckpoint：

        autoencoder.compile(loss='mean_squared_error', optimizer='rmsprop');

        checkpoint=ModelCheckpoint('bestweight.best.hdf5',monitor='val_loss',verbose=1,save_best_only=True,mode='min');   
        callbacks_list=[checkpoint]

        history_info =autoencoder.fit(x_train, x_train,
                        batch_size=batch_size,
                        epochs=50,
                        validation_data=(x_validation,x_validation),
                        callbacks=callbacks_list,
                        shuffle=True)

，然后稍后在testdataset上进行测试：

 autoencoder.load_weights('bestweight.best.hdf5');
 autoencoder.predict(test_data);

我的问题是：

我知道如何保存整个自动编码器的最佳权重，但是有一种方法可以保存 encoder 部分的最佳训练权重，以便以后用于测试。所以我可以这样使用它：

 encoder.load_weights('encoderbestweight.best.hdf5');
 encoder.predict(test_data);

Answer 1

在尝试回答您的问题之前，我想先简要介绍一下您对ModelCheckpoint回调的使用。让我们看一下默认参数：

keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)

save_weights_only 参数的默认值为 False ，这意味着您实际保存的不仅是模型的权重，还包括整个体系结构！因此，在加载模型的权重时，您可以重新定义模型并使用 load_weights 。或者，您可以使用 load_model 函数直接从文件中加载模型。

现在，仅保存编码器，我将编写一个新的检查点回调，如下所示：

class CustomCheckpoint(Callback):

def __init__(self, filepath, encoder):
    self.monitor = 'val_loss'
    self.monitor_op = np.less
    self.best = np.Inf

    self.filepath = filepath
    self.encoder = encoder

def on_epoch_end(self, epoch, logs=None):
    current = logs.get(self.monitor)
    if self.monitor_op(current, self.best):
        self.best = current
        # self.encoder.save_weights(self.filepath, overwrite=True)
        self.encoder.save(self.filepath, overwrite=True) # Whichever you prefer

作为一种选择，由于您已经拥有整个网络的保存文件，因此可以像下面这样将编码器与解码器分开：

from keras.models import load_model
autoencoder = load_model("path_to_file")
encoder = Model(autoencoder.layers[0].input, autoencoder.layers[1].output)

Answer 2

编码器部分是前两层。所以在“ autoencoder.fit（）”之后尝试一下

encoder = Model(input_data, autoencoder.layers[2].output)

了解更多“ https://www.kaggle.com/marlesson/autoencoder-embedding-for-food”

如何仅在自动编码器训练期间节省编码器零件的最佳重量？

2 个答案: