如何保存最佳的hyperopt优化的keras模型及其权重?

时间:2019-01-20 02:53:03

标签: python keras hyperparameters hyperopt

我使用hyperopt优化了我的keras模型。现在,我们如何将最佳优化的keras模型及其权重保存到磁盘。

我的代码:

from hyperopt import fmin, tpe, hp, STATUS_OK, Trials
from sklearn.metrics import roc_auc_score
import sys

X = []
y = []
X_val = []
y_val = []

space = {'choice': hp.choice('num_layers',
                    [ {'layers':'two', },
                    {'layers':'three',
                    'units3': hp.uniform('units3', 64,1024), 
                    'dropout3': hp.uniform('dropout3', .25,.75)}
                    ]),

            'units1': hp.choice('units1', [64,1024]),
            'units2': hp.choice('units2', [64,1024]),

            'dropout1': hp.uniform('dropout1', .25,.75),
            'dropout2': hp.uniform('dropout2',  .25,.75),

            'batch_size' : hp.uniform('batch_size', 20,100),

            'nb_epochs' :  100,
            'optimizer': hp.choice('optimizer',['adadelta','adam','rmsprop']),
            'activation': 'relu'
        }

def f_nn(params):   
    from keras.models import Sequential
    from keras.layers.core import Dense, Dropout, Activation
    from keras.optimizers import Adadelta, Adam, rmsprop

    print ('Params testing: ', params)
    model = Sequential()
    model.add(Dense(output_dim=params['units1'], input_dim = X.shape[1])) 
    model.add(Activation(params['activation']))
    model.add(Dropout(params['dropout1']))

    model.add(Dense(output_dim=params['units2'], init = "glorot_uniform")) 
    model.add(Activation(params['activation']))
    model.add(Dropout(params['dropout2']))

    if params['choice']['layers']== 'three':
        model.add(Dense(output_dim=params['choice']['units3'], init = "glorot_uniform")) 
        model.add(Activation(params['activation']))
        model.add(Dropout(params['choice']['dropout3']))    

    model.add(Dense(1))
    model.add(Activation('sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer=params['optimizer'])

    model.fit(X, y, nb_epoch=params['nb_epochs'], batch_size=params['batch_size'], verbose = 0)

    pred_auc =model.predict_proba(X_val, batch_size = 128, verbose = 0)
    acc = roc_auc_score(y_val, pred_auc)
    print('AUC:', acc)
    sys.stdout.flush() 
    return {'loss': -acc, 'status': STATUS_OK}


trials = Trials()
best = fmin(f_nn, space, algo=tpe.suggest, max_evals=100, trials=trials)
print 'best: '
print best

4 个答案:

答案 0 :(得分:3)

我不知道如何将变量发送给f_nn或另一个hyperopt目标专有性。但是我使用两种方法来完成相同的任务。
第一种方法是一些全局变量(因为它不清楚,所以不喜欢它),第二种方法是将指标值保存到文件中,然后读取并与当前指标进行比较。在我看来,最后一种方法更好。

def f_nn(params):
    ...
    # I omit a part of the code   
    pred_auc =model.predict_proba(X_val, batch_size = 128, verbose = 0)
    acc = roc_auc_score(y_val, pred_auc)

    try:
        with open("metric.txt") as f:
            min_acc = float(f.read().strip())  # read best metric,
    except FileNotFoundError:
            min_acc = acc  # else just use current value as the best

    if acc < min_acc:
         model.save("model.hd5")  # save best to disc and overwrite metric
         with open("metric.txt", "w") as f:
             f.write(str(acc))

    print('AUC:', acc)
    sys.stdout.flush() 
    return {'loss': -acc, 'status': STATUS_OK}

trials = Trials()
best = fmin(f_nn, space, algo=tpe.suggest, max_evals=100, trials=trials)
print 'best: '
print best

from keras.models import load_model
best_model = load_model("model.hd5")

这种方法有几个优点:您可以将指标和模型保持在一起,甚至可以将其应用于某些版本或数据版本控制系统-这样您就可以在将来恢复实验结果。

修改
如果上次运行有一些指标,但可能会导致意外的行为,但是您不要删除它。因此,您可以采用代码-在优化后删除指标或使用时间戳记等来区分您的实验数据。

答案 1 :(得分:0)

f_nn返回模型。

def f_nn(params):
    # ...
    return {'loss': -acc, 'status': STATUS_OK, 'model': model}

模型将在trials下的results对象上可用。我输入了一些示例数据,然后吐出print(trials.results)

[{'loss': 2.8245880603790283, 'status': 'ok', 'model': <keras.engine.training.Model object at 0x000001D725F62B38>}, {'loss': 2.4592788219451904, 'status': 'ok', 'model': <keras.engine.training.Model object at 0x000001D70BC3ABA8>}]

使用np.argmin找到最小的损失,然后使用model.save

保存
trials.results[np.argmin([r['loss'] for r in trials.results])]['model']

(请注意,在C#中,这应该是trials.results.min(r => r.loss).model ...如果有更好的方法可以在Python中做到这一点,请告诉我!)

如果您使用的是MongoDB,则可能希望在试用对象上使用attachments,因为模型可能非常大:

  

attachments-键值对的字典,其键为短字符串(如文件名),其值可能为长字符串(如文件内容),每次访问数据库时都不应该从数据库中加载记录。 (此外,MongoDB还会限制普通键值对的长度,因此一旦您的值以兆字节为单位,就可能需要将其作为附件。)Source.

答案 2 :(得分:0)

试验类对象存储许多与hyperopt每次迭代相关的信息。我们也可以要求该对象保存经过训练的模型。 为此,您必须在代码库中进行一些小的更改。

-- return {'loss': -acc, 'status': STATUS_OK}
++ return {'loss':loss, 'status': STATUS_OK, 'Trained_Model': model}

注意:“ Trained_Model”只是一个键,您可以使用任何其他字符串。

best = fmin(f_nn, space, algo=tpe.suggest, max_evals=100, trials=trials)
model = getBestModelfromTrials(trials)

试验对象中检索经过训练的模型:

import numpy as np
from hyperopt import STATUS_OK
def getBestModelfromTrials(trials):
    valid_trial_list = [trial for trial in trials
                            if STATUS_OK == trial['result']['status']]
    losses = [ float(trial['result']['loss']) for trial in valid_trial_list]
    index_having_minumum_loss = np.argmin(losses)
    best_trial_obj = valid_trial_list[index_having_minumum_loss]
    return best_trial_obj['result']['Trained_Model']

注意:我在Scikit-Learn课程中使用了这种方法。

答案 3 :(得分:0)

很容易实现一个全局变量来保存模型。为清楚起见,我建议将其保存为 trials 对象下的属性。根据我使用 hyperopt 的经验,除非您将所有剩余参数(未调整的)包装到 dict 中以输入目标函数(例如 objective_fn = partial(objective_fn_withParams, otherParams=otherParams),否则很难避免全局变量。

下面提供的示例:

trials = Trials()
trials.mybest = None # initialize an attribute for saving model later

best = fmin(f_nn, space, algo=tpe.suggest, max_evals=100, trials=trials)
trials.mybest['model'].save("model.hd5")


## In your optimization objective function
def f_nn(params):

    global trials

    model = trainMyKerasModelWithParams(..., params)
    ...
    pred_auc =model.predict_proba(X_val, batch_size = 128, verbose = 0)
    acc = roc_auc_score(y_val, pred_auc)
    loss = -acc

    ## Track only best model (for saving later)
    if ((trials.mybest is None)
        or (loss < trials.mybest['loss'])):
        trials.mybest = {'loss': loss,'model': model}

...

##