我正在使用一个相当大的网络（9800万个参数），我正在使用Keras ModelCheckPoint回调按如下方式保存权重，当我使用keras重新加载已保存的权重时，我可以看到加载操作大约增加了10我的图形中每层的操作。这导致整个网络的大量内存增加。这是预期的行为吗？如果是这样，是否有已知的解决方法？
详细信息：
我正在使用：tf.keras.callbacks.ModelCheckpoint和"save_weights_only=True"作为参数来保存权重
加载它的代码是：
model.load_weights(path_to_existing_weights)
其中模型是自定义的keras模型。
我正在使用Tensorflow 1.14和Keras 2.3.0
有什么想法吗？
答案 0 :(得分：0)
在我看来，这是意外行为，但我看不到任何明显的错误消息。您确定在保存权重和重新加载权重之间模型没有变化吗？我所建议的就是尝试做同样的事情，除了这次在回调中更改它以保存整个模型。然后重新加载模型，然后检查图形。我也遇到了这个问题，怀疑是问题所在，但我会检查一下
为了将Keras模型保存为HDF5文件，例如通过keras.callbacks.ModelCheckpoint， Keras使用h5py Python软件包。它是Keras的依赖项，应默认安装。 如果不确定是否安装了h5py，则可以打开Python shell并通过以下方式加载模块 import h5py如果导入没有错误，则说明已安装，否则，您可以找到详细的安装 此处的说明：http://docs.h5py.org/en/latest/build.html
也许您可以尝试重新安装它。