我正在尝试使用 tfa.optimizers.MultiOptimizer()。我根据文档 (https://www.tensorflow.org/addons/api_docs/python/tfa/optimizers/MultiOptimizer) 执行了所有操作,但出现以下错误:
TypeError: ('Not JSON Serializable:',
下面是重现错误的最小工作示例,只需复制并粘贴即可。当第一个 epoch 完成并且回调尝试保存模型时发生错误。
##############################################################################
import tensorflow as tf
import tensorflow_addons as tfa
import tensorflow.keras.layers as l
import tensorflow_addons.layers as la
import tensorflow.keras as ke
import numpy as np
##############################################################################
def build_model_1():
model_input = l.Input(shape=(32,1))
x = l.Dense(1)(model_input)
model = ke.Model(inputs=model_input, outputs=x)
##########
optimizers = [tf.keras.optimizers.Adam(),
tf.keras.optimizers.Adam()]
optimizers_and_layers = [(optimizers[0], model.layers[:5]), (optimizers[1], model.layers[5:])]
optimizer = tfa.optimizers.MultiOptimizer(optimizers_and_layers)
model.compile(optimizer=optimizer, loss='mse', metrics='mse')
test = tf.keras.optimizers.serialize(optimizer)
return model
##############################################################################
input_data = np.arange( 0, 10000, 1).reshape(10000,1)
target_data = np.arange(-10000, 0, 1).reshape(10000,1)
model = build_model_1()
model_checkpoint = ke.callbacks.ModelCheckpoint('best_model.h5',
monitor='val_mse',
mode='min',
save_best_only=True,
verbose=1)
training_history = model.fit(x = input_data,
y = target_data,
validation_split = 0.2,
epochs = 5,
verbose = 1,
callbacks = [model_checkpoint])
##############################################################################
答案 0 :(得分:1)
保存完整 Keras 模型(在 <PropertyGroup>
<EmitCompilerGeneratedFiles>true</EmitCompilerGeneratedFiles>
<CompilerGeneratedFilesOutputPath>DesiredPathForGeneratedStuff</CompilerGeneratedFilesOutputPath>
</PropertyGroup>
文件中有自己的结构)时,.h5
对象完全序列化为 JSON :这意味着模型的每个属性都应该是 JSON 可序列化的。
注意:tf.keras.Model
不是 JSON 可序列化的。
当使用 tf.Tensor
中的这个多优化器时,您将向模型添加属性,JSON 序列化程序将尝试(但失败)序列化这些属性。
特别是这个属性 tfa
,我认为它来自使用的自定义优化器。
gv
所有这些 'gv': [(<tf.Tensor 'gradient_tape/model/dense/Tensordot/MatMul/MatMul:0' shape=(1, 1) dtype=float32>, <tf.Variable 'dense/kernel:0' shape=(1, 1) dtype=float32, numpy=array([[-0.55191684]], dtype=float32)>), (<tf.Tensor 'gradient_tape/model/dense/BiasAdd/BiasAddGrad:0' shape=(1,) dtype=float32>, <tf.Variable 'dense/bias:0' shape=(1,) dtype=float32, numpy=array([-0.23444518], dtype=float32)>)]},
都不是 JSON 可序列化的,这就是它失败的原因。
唯一的选择是不完整地保存模型(包括它的所有属性,应该定义为Keras层,但在这种情况下是不可能的)而只保存模型参数。
简而言之,如果您将 tf.Tensor
添加到回调中,您的训练(和权重检查点)将正常工作。
save_weights_only=True