跑了几个深度学习的程序之后，开始静下心来研究算法和代码，因为刚开始接触TensorFlow，第一个拦路虎就是各种API的使用，不想囫囵吞枣，只能在工作之外去学习这些基础知识，各个击破。
今天主要是tf.keras接口的简介，以及最近遇到比较多的模型的保存和加载。
1. tf.keras简介tf.keras接口是在TensorFlow中封装的Keras接口。Keras接口是一个用Python语言编写的高层神经网路API，可以运行在TensorFlow、CNTK以及Theano上，也就是说它可以以这三个框架作为后台。Keras有如下优点：
(1) 对用户友好，模块化，可扩展；
(2) 可支持卷积神经网络和循环神经网络；
(3) 能够无缝支持CPU和GPU。
TensorFlow中的Keras接口对Keras的实现很全面，只要安装TensorFlow就可以使用Keras的所有接口了。
tf.keras接口包含了很多成熟模型的源代码，包括DenseNet、NASNet、MobileNet等，我们可以很方便地使用这些源代码对自己地数据进行训练；也可以加载训练过的模型文件，使用文件里的参数值对模型源代码中的权重进行赋值，赋值后的模型可以直接用来预测。
GitHub上的Keras页面有很多模型的源码、结构、参数等，需要做模型评估的同学可以通过如下链接查看，比如我们前一段时间需要了解模型的参数量、乘加数等，这个东西就特别有参考意义。
GitHub - keras-team/keras-applications: Reference implementations of popular deep learning models.
2. 模型的保存和加载模型的保存可以使用如下API:
model.save() #或 tf.keras.models.save_model()
模型的加载：
tf.keras.models.load_model()
模型保存格式可以是TensorFlow的SavedModel格式，或者Keras H5格式。SavedModel格式是model.save()的默认格式。若想保存为H5格式，有两种方法可以实现：
(1) 在调用save()函数时，将save_format='h5'传递进去；
(2) 把以.h5或.keras结尾的文件名传递给save()函数。
2.1 SavedModel模型SavedModel示例如下，该示例来源于官方教程。
def get_model():
# Create a simple model.
inputs = keras.Input(shape=(32,))
outputs = keras.layers.Dense(1)(inputs)
model = keras.Model(inputs, outputs)
model.compile(optimizer="adam", loss="mean_squared_error")
return model
model = get_model()
# Train the model.
test_input = np.random.random((128, 32))
test_target = np.random.random((128, 1))
model.fit(test_input, test_target)
# Calling `save('my_model')` creates a SavedModel folder `my_model`.
model.save("my_model")
# It can be used to reconstruct the model identically.
reconstructed_model = keras.models.load_model("my_model")
# Let's check:
np.testing.assert_allclose(
model.predict(test_input), reconstructed_model.predict(test_input)
)
# The reconstructed model is already compiled and has retained the optimizer
# state, so training can resume:
reconstructed_model.fit(test_input, test_target)
调用 model.save('my_model') 会创建一个名为 my_model 的文件夹，其包含以下内容：
模型架构和训练配置（包括优化器、损失和指标）存储在 saved_model.pb 中，权重保存在 variables/ 目录下。
2.2 H5模型Keras 还支持保存单个 HDF5 文件，其中包含模型的架构、权重值和 compile() 信息。它是 SavedModel 的轻量化替代选择。
官方教程示例如下：
model = get_model()
# Train the model.
test_input = np.random.random((128, 32))
test_target = np.random.random((128, 1))
model.fit(test_input, test_target)
# Calling `save('my_model.h5')` creates a h5 file `my_model.h5`.
model.save("my_h5_model.h5")
# It can be used to reconstruct the model identically.
reconstructed_model = keras.models.load_model("my_h5_model.h5")
# Let's check:
np.testing.assert_allclose(
model.predict(test_input), reconstructed_model.predict(test_input)
)
# The reconstructed model is already compiled and has retained the optimizer
# state, so training can resume:
reconstructed_model.fit(test_input, test_target)
保存出来的文件就是一个单独的my_h5_model.h5文件。
时间关系，今天先写到这里，后面会再根据学习情况更新更多内容。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）