升级到Keras 2.0.9后,我一直在使用multi_gpu_model实用工具,但我无法保存我的模型或最佳权重。
我收到的错误是:
model.save('path')
我收到的错误是:
我猜测可能存在访问模型对象的问题。是否有解决此问题的方法?类型错误:无法对模块对象进行pickle处理
model.save('path')
我猜测可能存在访问模型对象的问题。是否有解决此问题的方法?类型错误:无法对模块对象进行pickle处理
说实话,最简单的方法是实际检查使用多GPU并行模型。
parallel_model.summary()
并行模型就是在应用 multi_gpu 函数后的模型。这清晰地突出了实际的模型(我认为是倒数第二层--我现在不在电脑旁边)。然后,您可以使用此层的名称来保存模型。
model = parallel_model.get_layer('sequential_1)
通常它被称为sequential_1,但如果您使用的是已发布的架构,则可能是“ googlenet”或“ alexnet”。您将从摘要中看到层的名称。
然后只需保存即可。
model.save()
最大值方法虽然可行,但我认为有点过度。
注:您需要编译模型和并行模型。
model.get_layer('last_dense_layer').output
。 - Alexander以下是经过修补的版本,保存时不会失败:
from keras.layers import Lambda, concatenate
from keras import Model
import tensorflow as tf
def multi_gpu_model(model, gpus):
if isinstance(gpus, (list, tuple)):
num_gpus = len(gpus)
target_gpu_ids = gpus
else:
num_gpus = gpus
target_gpu_ids = range(num_gpus)
def get_slice(data, i, parts):
shape = tf.shape(data)
batch_size = shape[:1]
input_shape = shape[1:]
step = batch_size // parts
if i == num_gpus - 1:
size = batch_size - step * i
else:
size = step
size = tf.concat([size, input_shape], axis=0)
stride = tf.concat([step, input_shape * 0], axis=0)
start = stride * i
return tf.slice(data, start, size)
all_outputs = []
for i in range(len(model.outputs)):
all_outputs.append([])
# Place a copy of the model on each GPU,
# each getting a slice of the inputs.
for i, gpu_id in enumerate(target_gpu_ids):
with tf.device('/gpu:%d' % gpu_id):
with tf.name_scope('replica_%d' % gpu_id):
inputs = []
# Retrieve a slice of the input.
for x in model.inputs:
input_shape = tuple(x.get_shape().as_list())[1:]
slice_i = Lambda(get_slice,
output_shape=input_shape,
arguments={'i': i,
'parts': num_gpus})(x)
inputs.append(slice_i)
# Apply model on slice
# (creating a model replica on the target device).
outputs = model(inputs)
if not isinstance(outputs, list):
outputs = [outputs]
# Save the outputs for merging back together later.
for o in range(len(outputs)):
all_outputs[o].append(outputs[o])
# Merge outputs on CPU.
with tf.device('/cpu:0'):
merged = []
for name, outputs in zip(model.output_names, all_outputs):
merged.append(concatenate(outputs,
axis=0, name=name))
return Model(model.inputs, merged)
multi_gpu_model
函数,在keras修复该bug之前。此外,在加载模型时,提供tensorflow模块对象非常重要:model = load_model('multi_gpu_model.h5', {'tf': tf})
问题出在multi_gpu_model
函数中间的import tensorflow
代码行:
def multi_gpu_model(model, gpus):
...
import tensorflow as tf
...
get_slice
lambda函数创建一个闭包,其中包括gpu数量(没问题)和tensorflow模块(有问题)。模型保存尝试序列化所有层,包括调用get_slice
的层,因为tf
在闭包中,所以保存失败。multi_gpu_model
,这样tf
就成为全局对象,但仍然需要get_slice
来工作。这解决了保存的问题,但在加载时必须明确提供tf
。这是需要一些额外工作的事情,需要将multi_gpu_model的权重加载到常规模型的权重中。
例如:#1, instantiate your base model on a cpu
with tf.device("/cpu:0"):
model = create_model()
#2, put your model to multiple gpus, say 2
multi_model = multi_gpu_model(model, 2)
#3, compile both models
model.compile(loss=your_loss, optimizer=your_optimizer(lr))
multi_model.compile(loss=your_loss, optimizer=your_optimizer(lr))
#4, train the multi gpu model
# multi_model.fit() or multi_model.fit_generator()
#5, save weights
model.set_weights(multi_model.get_weights())
model.save(filepath=filepath)
`
参考:https://github.com/fchollet/keras/issues/8123