Tensorflow——keras model.save（）引发NotImplementedError

Question

JSON

当我尝试保存模型时

import tensorflow as tf 

mnist = tf.keras.datasets.mnist 

(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)

model = tf.keras.models.Sequential()

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))

model.compile(optimizer ='adam',
            loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3)

我收到一个NotImplementedError：

model.save('epic_num_reader.model')

那我该如何保存代码中定义的模型？

Answer 1

您在第一层的定义中忘记了input_shape参数，这使模型变得不确定，并且尚未实现保存未定义模型，这会引发错误。

model.add(tf.keras.layers.Flatten(input_shape = (my, input, shape)))

只需将input_shape添加到第一层，它就可以正常工作。

Answer 2

对于那些仍未解决问题（如Matias建议的那样）的人，可以考虑使用tf.keras.models.save_model()和load_model()。就我而言，它奏效了。

Answer 3

错误原因：

我遇到了相同的错误，并尝试了上述答案，但出现错误。但是我找到了解决这个问题的方法，我将在下面分享：

检查是否在定义模型的输入层时通过了input_shape，否则在保存和加载模型时会出现错误。

如何定义input_shape？

让我们考虑一个示例，如果您使用最小数据集：

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

它由大小为28 x 28分辨率的手写数字0-9的图像组成。 为此，我们可以将输入形状定义为（28,28），而无需提及批量大小，如下所示：

model.add(tf.keras.layers.Flatten(input_shape=(28,28)))

通过这种方式，您可以通过查看输入训练数据集来提供输入形状。

保存您训练有素的模型：

现在，在训练和测试模型之后，我们可以保存我们的模型。以下代码为我工作，重新加载模型后，精度也没有改变：

通过使用save_model（）

import tensorflow as tf    
tf.keras.models.save_model(
    model,
    "your_trained_model.model",
    overwrite=True,
    include_optimizer=True
) 

使用.save（）

your_trained_model.save('your_trained_model.model')

del model  # deletes the existing model

现在加载我们保存的模型：

model2 = tf.keras.models.load_model("your_trained_model.model")

有关更多详细信息，请参见以下链接：Keras input explanation: input_shape, units, batch_size, dim, etc

Answer 4

tf.keras.models.save_model

在此处工作（tensorflow 1.12.0）（即使未指定input_shape时）

Answer 5

<!-- Success, please check -->

import tensorflow as tf
import matplotlib.pyplot as plt

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
plt.imshow(x_train[0], cmap=plt.cm.binary)
x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)

plt.imshow(x_train[0], cmap=plt.cm.binary)

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=x_train[0].shape))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3)

val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)
model.save('epic_num_reader.model')