前言

本文主要使用 cpu 版本的 tensorflow-2.1 來完成深度學習權重參數(shù)/模型的保存和加載操作。

在我們進行項目期間，很多時候都要在模型訓練期間、訓練結束之后對模型或者模型權重進行保存，然后我們可以從之前停止的地方恢復原模型效果繼續(xù)進行訓練或者直接投入實際使用，另外為了節(jié)省存儲空間我們還可以自定義保存內容和保存頻率。

實現(xiàn)方法

1. 讀取數(shù)據(jù)

（1）本文重點介紹模型或者模型權重的保存和讀取的相關操作，使用到的是 MNIST 數(shù)據(jù)集僅是為了演示效果，我們無需關心模型訓練的質量好壞。

（2）這里是常規(guī)的讀取數(shù)據(jù)操作，我們?yōu)榱四茌^快介紹本文重點內容，只使用了 MNIST 前 1000 條數(shù)據(jù)，然后對數(shù)據(jù)進行歸一化操作，加快模型訓練收斂速度，并且將每張圖片的數(shù)據(jù)從二維壓縮成一維。

import os
import tensorflow as tf
from tensorflow import keras
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_labels = train_labels[:1000]
test_labels = test_labels[:1000]
train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0

2. 搭建深度學習模型

（1）這里主要是搭建一個最簡單的深度學習模型。

（2）第一層將圖片的長度為 784 的一維向量轉換成 256 維向量的全連接操作，并且用到了 relu 激活函數(shù)。

（3）第二層緊接著使用了防止過擬合的 Dropout 操作，神經(jīng)元丟棄率為 50% 。

（4）第三層為輸出層，也就是輸出每張圖片屬于對應 10 種類別的分布概率。

（5）優(yōu)化器我們選擇了最常見的 Adam 。

（6）損失函數(shù)選擇了 SparseCategoricalCrossentropy 。

（7）評估指標選用了 SparseCategoricalAccuracy 。

def create_model():
    model = tf.keras.Sequential([keras.layers.Dense(256, activation='relu', input_shape=(784,)),
                                 keras.layers.Dropout(0.5),
                                 keras.layers.Dense(10) ])
    model.compile(optimizer='adam',
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])
    return model

3. 使用回調函數(shù)在每個 epoch 后自動保存模型權重

（1）這里介紹一種在模型訓練期間保存權重參數(shù)的方法，我們定義一個回調函數(shù) callback ，它可以在訓練過程中將權重保存在自定義目錄中 weights_path ，在訓練過程中一共執(zhí)行 5 次 epoch ，每次 epoch 結束之后就會保存一次模型的權重到指定的目錄。

（2）可以看到最后使用測試集進行評估的 loss 為 0.4952 ，分類準確率為 0.8500 。

weights_path = "training_weights/cp.ckpt"
weights_dir = os.path.dirname(weights_path)
callback = tf.keras.callbacks.ModelCheckpoint(filepath=weights_path, save_weights_only=True,  verbose=1)
model = create_model()
model.fit(train_images, 
          train_labels,  
          epochs=5,
          validation_data=(test_images, test_labels),
          callbacks=[callback]) 

輸出結果為：

 val_loss: 0.4952 - val_sparse_categorical_accuracy: 0.8500             

（3）我們?yōu)g覽目標文件夾里，只有三個文件，每個 epoch 后自動都會保存三個文件，在下一次 epoch 之后會自動更新這三個文件的內容。

os.listdir(weights_dir)

結果為：

['checkpoint', 'cp.ckpt.data-00000-of-00001', 'cp.ckpt.index']

（4） 我們通過 create_model 定義了一個新的模型實例，然后讓其在沒有訓練的情況下使用測試數(shù)據(jù)進行評估，結果可想而知，準確率差的離譜。

NewModel = create_model()
loss, acc = NewModel.evaluate(test_images, test_labels, verbose=2)

結果為：

loss: 2.3694 - sparse_categorical_accuracy: 0.1330

（5） tensorflow 中只要兩個模型有相同的模型結構，就可以在它們之間共享權重，所以我們使用 NewModel 讀取了之前訓練好的模型權重，再使用測試集對其進行評估發(fā)現(xiàn)，損失值和準確率和舊模型的結果完全一樣，說明權重被相同結構的新模型成功加載并使用。

NewModel.load_weights(checkpoint_path)
loss, acc = NewModel.evaluate(test_images, test_labels, verbose=2)

輸出結果：

loss: 0.4952 - sparse_categorical_accuracy: 0.8500

4. 使用回調函數(shù)每經(jīng)過 5 個 epoch 對模型權重保存一次

（1）如果我們想保留多個中間 epoch 的模型訓練的權重，或者我們想每隔幾個 epoch 保存一次模型訓練的權重，這時候我們可以通過設置保存頻率 period 來完成，我這里讓新建的模型訓練 30 個 epoch ，在每經(jīng)過 10 epoch 后保存一次模型訓練好的權重。

（2）使用測試集對此次模型進行評估，損失值為 0.4047 ，準確率為 0.8680 。

weights_path = "training_weights2/cp-{epoch:04d}.ckpt"
weights_dir = os.path.dirname(weights_path)
batch_size = 64
cp_callback = tf.keras.callbacks.ModelCheckpoint( filepath=weights_path, 
                                                  verbose=1, 
                                                  save_weights_only=True,
                                                  period=10)
model = create_model()
model.save_weights(weights_path.format(epoch=1))
model.fit(train_images, 
          train_labels,
          epochs=30, 
          batch_size=batch_size, 
          callbacks=[cp_callback],
          validation_data=(test_images, test_labels),
          verbose=1)

結果輸出為：

val_loss: 0.4047 - val_sparse_categorical_accuracy: 0.8680   

（3）這里我們能看到指定目錄中的文件組成，這里的 0001 是因為訓練時指定了要保存的 epoch 的權重，其他都是每 10 個 epoch 保存的權重參數(shù)文件。目錄中有一個 checkpoint ，它是一個檢查點文本文件，文件保存了一個目錄下所有的模型文件列表，首行記錄的是最后（最近）一次保存的模型名稱。

（4）每個 epoch 保存下來的文件都包含：

• 一個索引文件，指示哪些權重存儲在哪個分片中
• 一個或多個包含模型權重的分片

瀏覽文件夾內容

os.listdir(weights_dir)

結果如下：

['checkpoint', 'cp-0001.ckpt.data-00000-of-00001', 'cp-0001.ckpt.index', 'cp-0010.ckpt.data-00000-of-00001', 'cp-0010.ckpt.index', 'cp-0020.ckpt.data-00000-of-00001', 'cp-0020.ckpt.index', 'cp-0030.ckpt.data-00000-of-00001', 'cp-0030.ckpt.index']

（5）我們將最后一次保存的權重讀取出來，然后創(chuàng)建一個新的模型去讀取剛剛保存的最新的之前訓練好的模型權重，然后通過測試集對新模型進行評估，發(fā)現(xiàn)損失值準確率和之前完全一樣，說明權重被成功讀取并使用。

latest = tf.train.latest_checkpoint(weights_dir)
newModel = create_model()
newModel.load_weights(latest)
loss, acc = newModel.evaluate(test_images, test_labels, verbose=2)

結果如下：

loss: 0.4047 - sparse_categorical_accuracy: 0.8680

5. 手動保存模型權重到指定目錄

（1）有時候我們還想手動將模型訓練好的權重保存到指定的目錄下，我們可以使用 save_weights 函數(shù)，通過我們新建了一個同樣的新模型，然后使用 load_weights 函數(shù)去讀取權重并使用測試集對其進行評估，發(fā)現(xiàn)損失值和準確率仍然和之前的兩種結果完全一樣。

model.save_weights('./training_weights3/my_cp')
newModel = create_model()
newModel.load_weights('./training_weights3/my_cp')
loss, acc = newModel.evaluate(test_images, test_labels, verbose=2)

結果如下：

loss: 0.4047 - sparse_categorical_accuracy: 0.8680

6. 手動保存整個模型結構和權重

（1）有時候我們還需要保存整個模型的結構和權重，這時候我們直接使用 save 函數(shù)即可將這些內容保存到指定目錄，使用該方法要保證目錄是存在的否則會報錯，所以這里我們要創(chuàng)建文件夾。我們能看到損失值為 0.4821，準確率為 0.8460 。

model = create_model()
model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels), verbose=1)
!mkdir my_model
modelPath = './my_model'
model.save(modelPath)

輸出結果：

val_loss: 0.4821 - val_sparse_categorical_accuracy: 0.8460

（2）然后我們通過函數(shù) load_model 即可生成出一個新的完全一樣結構和權重的模型，我們使用測試集對其進行評估，發(fā)現(xiàn)準確率和損失值和之前完全一樣，說明模型結構和權重被完全讀取恢復。

new_model = tf.keras.models.load_model(modelPath)
loss, acc = new_model.evaluate(test_images, test_labels, verbose=2)

輸出結果：

 loss: 0.4821 - sparse_categorical_accuracy: 0.8460

以上就是Tensorflow2.1 完成權重或模型的保存和加載的詳細內容，更多關于Tensorflow完成權重模型保存加載的資料請關注腳本之家其它相關文章！

最新評論