受到tf.keras.Model子类化的启发,我创建了自定义模型。
我可以训练它并获得成功的结果,但我无法保存它。
我使用的是python3.6和tensorflow v1.10(或v1.9)。
完整的最小代码示例在此处:
import tensorflow as tf
from tensorflow.keras.datasets import mnist
class Classifier(tf.keras.Model):
def __init__(self):
super().__init__(name="custom_model")
self.batch_norm1 = tf.layers.BatchNormalization()
self.conv1 = tf.layers.Conv2D(32, (7, 7))
self.pool1 = tf.layers.MaxPooling2D((2, 2), (2, 2))
self.batch_norm2 = tf.layers.BatchNormalization()
self.conv2 = tf.layers.Conv2D(64, (5, 5))
self.pool2 = tf.layers.MaxPooling2D((2, 2), (2, 2))
def call(self, inputs, training=None, mask=None):
x = self.batch_norm1(inputs)
x = self.conv1(x)
x = tf.nn.relu(x)
x = self.pool1(x)
x = self.batch_norm2(x)
x = self.conv2(x)
x = tf.nn.relu(x)
x = self.pool2(x)
return x
if __name__ == '__main__':
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(*x_train.shape, 1)[:1000]
y_train = y_train.reshape(*y_train.shape, 1)[:1000]
x_test = x_test.reshape(*x_test.shape, 1)
y_test = y_test.reshape(*y_test.shape, 1)
y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)
model = Classifier()
inputs = tf.keras.Input((28, 28, 1))
x = model(inputs)
x = tf.keras.layers.Flatten()(x)
x = tf.keras.layers.Dense(10, activation="sigmoid")(x)
model = tf.keras.Model(inputs=inputs, outputs=x)
model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])
model.fit(x_train, y_train, epochs=1, shuffle=True)
model.save("./my_model")
错误信息:
1000/1000 [==============================] - 1s 1ms/step - loss: 4.6037 - acc: 0.7025
Traceback (most recent call last):
File "/home/user/Data/test/python/mnist/mnist_run.py", line 62, in <module>
model.save("./my_model")
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/network.py", line 1278, in save
save_model(self, filepath, overwrite, include_optimizer)
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/saving.py", line 101, in save_model
'config': model.get_config()
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/network.py", line 1049, in get_config
layer_config = layer.get_config()
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/network.py", line 1028, in get_config
raise NotImplementedError
NotImplementedError
Process finished with exit code 1
我查看了错误代码并发现 get_config 方法检查了 self._is_graph_network
有人处理过这个问题吗?
谢谢!
更新1:
在keras 2.2.2(不是tf.keras)
找到注释(用于模型保存)
文件: keras/engine/network.py
函数: get_config
# 子类网络不可序列化
# (除非子类网络的作者实现了序列化)。
所以,显然这行不通...
我想知道为什么他们没有在文档中指出它(像:“使用无法保存的子类!”)
更新2:
在keras文档中找到:
在子类化模型中,模型的拓扑结构定义为Python代码
(而不是作为一组层的静态图)。这意味着模型的拓扑结构无法被检查或序列化。因此,以下方法和属性对于子类化模型不可用:model.inputs 和 model.outputs。
model.to_yaml() 和 model.to_json()
model.get_config() 和 model.save()。
因此,没有办法使用子类化保存模型。
只能使用Model.save_weights()
tf.keras.layers.Layer
的输出。然而,子类化模型在其call
方法中包含了像tf.nn.relu
这样的原始TensorFlow操作,因此无法进行序列化。 - Jie.Zhoutf.keras
呢? 答案:这是不起作用的。 - RedEyedModel.save
,而是使用Model.save_weights
仅保存模型的权重,然后使用Model.load_weights
加载权重。否则,如果您仍然想保存整个模型而不仅仅是权重,则必须遵循 Keras 的函数 API 指南。 - Jie.ZhouModel.save_weights
运行良好。非常感谢你! - RedEyed