保存和恢复模型（Save and restore models）

官网示例：https://www.tensorflow.org/tutorials/keras/save_and_restore_models

在训练期间保存检查点

在训练期间或训练结束时自动保存检查点。
权重存储在检查点格式的文件集合中，这些文件仅包含经过训练的权重（采用二进制格式）。
可以使用经过训练的模型，而无需重新训练该模型，或从上次暂停的地方继续训练，以防训练过程中断

检查点回调用法：创建检查点回调，训练模型并将ModelCheckpoint回调传递给该模型，得到检查点文件集合，用于分享权重
检查点回调选项：该回调提供了多个选项，用于为生成的检查点提供独一无二的名称，以及调整检查点创建频率。

手动保存权重

使用 Model.save_weights 方法即可手动保存权重

保存整个模型

整个模型可以保存到一个文件中，其中包含权重值、模型配置（架构）、优化器配置。
可以为模型设置检查点，并稍后从完全相同的状态继续训练，而无需访问原始代码。
Keras通过检查架构来保存模型，使用HDF5标准提供基本的保存格式。
特别注意：

目前无法保存TensorFlow优化器（来自tf.train）。
使用此类优化器时，需要在加载模型后对其进行重新编译，使优化器的状态变松散。

MNIST数据集

MNIST（Mixed National Institute of Standards and Technology database）是一个计算机视觉数据集

官方下载地址：http://yann.lecun.com/exdb/mnist/
包含70000张手写数字的灰度图片，其中60000张为训练图像和10000张为测试图像
每一张图片都是28*28个像素点大小的灰度图像
https://keras.io/datasets/#mnist-database-of-handwritten-digits
TensorFlow：https://www.tensorflow.org/api_docs/python/tf/keras/datasets/mnist

示例

脚本内容

GitHub：https://github.com/anliven/Hello-AI/blob/master/Google-Learn-and-use-ML/5_save_and_restore_models.py

 # coding=utf-8
 import tensorflow as tf
 from tensorflow import keras
 import numpy as np
 import pathlib
 import os
 
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
 print("# TensorFlow version: {}  - tf.keras version: {}".format(tf.VERSION, tf.keras.__version__))  # 查看版本
 
 # ### 获取示例数据集
 
 ds_path = str(pathlib.Path.cwd()) + "\\datasets\\mnist\\"  # 数据集路径
 np_data = np.load(ds_path + "mnist.npz")  # 加载numpy格式数据
 print("# np_data keys: ", list(np_data.keys()))  # 查看所有的键
 
 # 加载mnist数据集
 (train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data(path=ds_path + "mnist.npz")
 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
 
 # ### 定义模型
 def create_model():
     model = tf.keras.models.Sequential([
         keras.layers.Dense(512, activation=tf.nn.relu, input_shape=(784,)),
         keras.layers.Dropout(0.2),
         keras.layers.Dense(10, activation=tf.nn.softmax)
     ])  # 构建一个简单的模型
     model.compile(optimizer=tf.keras.optimizers.Adam(),
                   loss=tf.keras.losses.sparse_categorical_crossentropy,
                   metrics=['accuracy'])
     return model
 
 mod = create_model()
 mod.summary()
 
 # ### 在训练期间保存检查点
 
 # 检查点回调用法
 checkpoint_path = "training_1/cp.ckpt"
 checkpoint_dir = os.path.dirname(checkpoint_path)  # 检查点存放目录
 cp_callback = tf.keras.callbacks.ModelCheckpoint(checkpoint_path,
                                                  save_weights_only=True,
                                                  verbose=2)  # 创建检查点回调
 model1 = create_model()
 model1.fit(train_images, train_labels,
            epochs=10,
            validation_data=(test_images, test_labels),
            verbose=0,
            callbacks=[cp_callback]  # 将ModelCheckpoint回调传递给该模型
            )  # 训练模型，将创建一个TensorFlow检查点文件集合，这些文件在每个周期结束时更新
 
 model2 = create_model()  # 创建一个未经训练的全新模型（与原始模型架构相同，才能分享权重）
 loss, acc = model2.evaluate(test_images, test_labels)  # 使用测试集进行评估
 print("# Untrained model2, accuracy: {:5.2f}%".format(100 * acc))  # 未训练模型的表现（准确率约为10%）
 
 model2.load_weights(checkpoint_path)  # 从检查点加载权重
 loss, acc = model2.evaluate(test_images, test_labels)  # 使用测试集，重新进行评估
 print("# Restored model2, accuracy: {:5.2f}%".format(100 * acc))  # 模型表现得到大幅提升
 
 # 检查点回调选项
 checkpoint_path2 = "training_2/cp-{epoch:04d}.ckpt"  # 使用“str.format”方式为每个检查点设置唯一名称
 checkpoint_dir2 = os.path.dirname(checkpoint_path)
 cp_callback2 = tf.keras.callbacks.ModelCheckpoint(checkpoint_path2,
                                                   verbose=1,
                                                   save_weights_only=True,
                                                   period=5  # 每隔5个周期保存一次检查点
                                                   )  # 创建检查点回调
 model3 = create_model()
 model3.fit(train_images, train_labels,
            epochs=50,
            callbacks=[cp_callback2],  # 将ModelCheckpoint回调传递给该模型
            validation_data=(test_images, test_labels),
            verbose=0)  # 训练一个新模型，每隔5个周期保存一次检查点并设置唯一名称
 latest = tf.train.latest_checkpoint(checkpoint_dir2)
 print("# latest checkpoint: {}".format(latest))  # 查看最新的检查点
 
 model4 = create_model()  # 重新创建一个全新的模型
 loss, acc = model2.evaluate(test_images, test_labels)  # 使用测试集进行评估
 print("# Untrained model4, accuracy: {:5.2f}%".format(100 * acc))  # 未训练模型的表现（准确率约为10%）
 
 model4.load_weights(latest)  # 加载最新的检查点
 loss, acc = model4.evaluate(test_images, test_labels)  #
 print("# Restored model4, accuracy: {:5.2f}%".format(100 * acc))  # 模型表现得到大幅提升
 
 # ### 手动保存权重
 model5 = create_model()
 model5.fit(train_images, train_labels,
            epochs=10,
            validation_data=(test_images, test_labels),
            verbose=0)  # 训练模型
 model5.save_weights('./training_3/my_checkpoint')  # 手动保存权重
 
 model6 = create_model()
 loss, acc = model6.evaluate(test_images, test_labels)
 print("# Restored model6, accuracy: {:5.2f}%".format(100 * acc))
 model6.load_weights('./training_3/my_checkpoint')
 loss, acc = model6.evaluate(test_images, test_labels)
 print("# Restored model6, accuracy: {:5.2f}%".format(100 * acc))
 
 # ### 保存整个模型
 model7 = create_model()
 model7.fit(train_images, train_labels, epochs=5)
 model7.save('my_model.h5')  # 保存整个模型到HDF5文件
 
 model8 = keras.models.load_model('my_model.h5')  # 重建完全一样的模型，包括权重和优化器
 model8.summary()
 loss, acc = model8.evaluate(test_images, test_labels)
 print("Restored model8, accuracy: {:5.2f}%".format(100 * acc))

运行结果

C:\Users\anliven\AppData\Local\conda\conda\envs\mlcc\python.exe D:/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML/5_save_and_restore_models.py
# TensorFlow version: 1.12.0  - tf.keras version: 2.1.6-tf
# np_data keys:  ['x_test', 'x_train', 'y_train', 'y_test']
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense (Dense)                (None, 512)               401920
_________________________________________________________________
dropout (Dropout)            (None, 512)               0
_________________________________________________________________
dense_1 (Dense)              (None, 10)                5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
 
Epoch 00001: saving model to training_1/cp.ckpt
Epoch 00002: saving model to training_1/cp.ckpt
Epoch 00003: saving model to training_1/cp.ckpt
Epoch 00004: saving model to training_1/cp.ckpt
Epoch 00005: saving model to training_1/cp.ckpt
Epoch 00006: saving model to training_1/cp.ckpt
Epoch 00007: saving model to training_1/cp.ckpt
Epoch 00008: saving model to training_1/cp.ckpt
Epoch 00009: saving model to training_1/cp.ckpt
Epoch 00010: saving model to training_1/cp.ckpt
 
  32/1000 [..............................] - ETA: 3s
1000/1000 [==============================] - 0s 140us/step
# Untrained model2, accuracy:  8.20%
 
  32/1000 [..............................] - ETA: 0s
1000/1000 [==============================] - 0s 40us/step
# Restored model2, accuracy: 86.40%
 
Epoch 00005: saving model to training_2/cp-0005.ckpt
Epoch 00010: saving model to training_2/cp-0010.ckpt
Epoch 00015: saving model to training_2/cp-0015.ckpt
Epoch 00020: saving model to training_2/cp-0020.ckpt
Epoch 00025: saving model to training_2/cp-0025.ckpt
Epoch 00030: saving model to training_2/cp-0030.ckpt
Epoch 00035: saving model to training_2/cp-0035.ckpt
Epoch 00040: saving model to training_2/cp-0040.ckpt
Epoch 00045: saving model to training_2/cp-0045.ckpt
Epoch 00050: saving model to training_2/cp-0050.ckpt
 
# latest checkpoint: training_1\cp.ckpt
 
  32/1000 [..............................] - ETA: 3s
1000/1000 [==============================] - 0s 140us/step
# Untrained model4, accuracy: 86.40%
 
  32/1000 [..............................] - ETA: 2s
1000/1000 [==============================] - 0s 110us/step
# Restored model4, accuracy: 86.40%
 
  32/1000 [..............................] - ETA: 5s
1000/1000 [==============================] - 0s 220us/step
# Restored model6, accuracy: 18.20%
 
  32/1000 [..............................] - ETA: 0s
1000/1000 [==============================] - 0s 40us/step
# Restored model6, accuracy: 87.40%
Epoch 1/5
 
  32/1000 [..............................] - ETA: 9s - loss: 2.4141 - acc: 0.0625
 320/1000 [========>.....................] - ETA: 0s - loss: 1.8229 - acc: 0.4469
 576/1000 [================>.............] - ETA: 0s - loss: 1.4932 - acc: 0.5694
 864/1000 [========================>.....] - ETA: 0s - loss: 1.2624 - acc: 0.6481
1000/1000 [==============================] - 1s 530us/step - loss: 1.1978 - acc: 0.6620
Epoch 2/5
 
  32/1000 [..............................] - ETA: 0s - loss: 0.5490 - acc: 0.8750
 320/1000 [========>.....................] - ETA: 0s - loss: 0.4832 - acc: 0.8594
 576/1000 [================>.............] - ETA: 0s - loss: 0.4630 - acc: 0.8715
 864/1000 [========================>.....] - ETA: 0s - loss: 0.4356 - acc: 0.8808
1000/1000 [==============================] - 0s 200us/step - loss: 0.4298 - acc: 0.8790
Epoch 3/5
 
  32/1000 [..............................] - ETA: 0s - loss: 0.1681 - acc: 0.9688
 320/1000 [========>.....................] - ETA: 0s - loss: 0.2826 - acc: 0.9437
 576/1000 [================>.............] - ETA: 0s - loss: 0.2774 - acc: 0.9340
 832/1000 [=======================>......] - ETA: 0s - loss: 0.2740 - acc: 0.9327
1000/1000 [==============================] - 0s 200us/step - loss: 0.2781 - acc: 0.9280
Epoch 4/5
 
  32/1000 [..............................] - ETA: 0s - loss: 0.1589 - acc: 0.9688
 288/1000 [=======>......................] - ETA: 0s - loss: 0.2169 - acc: 0.9410
 608/1000 [=================>............] - ETA: 0s - loss: 0.2186 - acc: 0.9457
 864/1000 [========================>.....] - ETA: 0s - loss: 0.2231 - acc: 0.9479
1000/1000 [==============================] - 0s 200us/step - loss: 0.2164 - acc: 0.9480
Epoch 5/5
 
  32/1000 [..............................] - ETA: 0s - loss: 0.1095 - acc: 1.0000
 352/1000 [=========>....................] - ETA: 0s - loss: 0.1631 - acc: 0.9744
 608/1000 [=================>............] - ETA: 0s - loss: 0.1671 - acc: 0.9638
 864/1000 [========================>.....] - ETA: 0s - loss: 0.1545 - acc: 0.9688
1000/1000 [==============================] - 0s 210us/step - loss: 0.1538 - acc: 0.9670
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_14 (Dense)             (None, 512)               401920
_________________________________________________________________
dropout_7 (Dropout)          (None, 512)               0
_________________________________________________________________
dense_15 (Dense)             (None, 10)                5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________
 
  32/1000 [..............................] - ETA: 3s
1000/1000 [==============================] - 0s 150us/step
Restored model8, accuracy: 86.10%
 
Process finished with exit code 0

生成的文件

anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ll training_1
total 1601
-rw-r--r-- 1 anliven 197121      71 5月   5 23:36 checkpoint
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp.ckpt.index
 
anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$
 
anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$
 
anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$
 
anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l training_1
total 1601
-rw-r--r-- 1 anliven 197121      71 5月   5 23:36 checkpoint
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp.ckpt.index
 
anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l training_2
total 16001
-rw-r--r-- 1 anliven 197121      81 5月   5 23:37 checkpoint
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0005.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0005.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0010.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0010.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0015.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0015.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0020.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0020.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:36 cp-0025.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:36 cp-0025.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0030.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0030.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0035.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0035.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0040.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0040.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0045.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0045.ckpt.index
-rw-r--r-- 1 anliven 197121 1631508 5月   5 23:37 cp-0050.ckpt.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 cp-0050.ckpt.index
 
anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l training_3
total 1601
-rw-r--r-- 1 anliven 197121      83 5月   5 23:37 checkpoint
-rw-r--r-- 1 anliven 197121 1631517 5月   5 23:37 my_checkpoint.data-00000-of-00001
-rw-r--r-- 1 anliven 197121     647 5月   5 23:37 my_checkpoint.index
 
anliven@ANLIVEN MINGW64 /d/Anliven/Anliven-Code/PycharmProjects/Google-Learn-and-use-ML
$ ls -l my_model.h5
-rw-r--r-- 1 anliven 197121 4909112 5月   5 23:37 my_model.h5

问题处理

问题描述：出现如下告警信息。

WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.Adam object at 0x00000280FD318780>) but is being saved in TensorFlow format with `save_weights`. The model's weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer's state will not be saved.
 
Consider using a TensorFlow optimizer from `tf.train`.

问题处理：

正常告警，对脚本运行和结果无影响，暂不关注。

AI - TensorFlow - 示例05：保存和恢复模型的更多相关文章

第六节，TensorFlow编程基础案例-保存和恢复模型(中)
在我们使用TensorFlow的时候,有时候需要训练一个比较复杂的网络,比如后面的AlexNet,ResNet,GoogleNet等等,由于训练这些网络花费的时间比较长,因此我们需要保存模型的参数. ...
1 如何使用pb文件保存和恢复模型进行迁移学习（学习Tensorflow 实战google深度学习框架）
学习过程是Tensorflow 实战google深度学习框架一书的第六章的迁移学习环节. 具体见我提出的问题:https://www.tensorflowers.cn/t/5314 参考https:/ ...
AI - TensorFlow - 示例01：基本分类
基本分类基本分类(Basic classification):https://www.tensorflow.org/tutorials/keras/basic_classification Fash ...
AI - TensorFlow - 示例03：基本回归
基本回归回归(Regression):https://www.tensorflow.org/tutorials/keras/basic_regression 主要步骤:数据部分获取数据(Get t ...
AI - TensorFlow - 示例02：影评文本分类
影评文本分类文本分类(Text classification):https://www.tensorflow.org/tutorials/keras/basic_text_classificatio ...
AI - TensorFlow - 示例04：过拟合与欠拟合
过拟合与欠拟合(Overfitting and underfitting) 官网示例:https://www.tensorflow.org/tutorials/keras/overfit_and_un ...
TensorFlow学习笔记：保存和读取模型
TensorFlow 更新频率实在太快,从 1.0 版本正式发布后,很多 API 接口就发生了改变.今天用 TF 训练了一个 CNN 模型,结果在保存模型的时候居然遇到各种问题.Google 搜出来的 ...
保存与恢复变量和模型，tensorflow官方文档阅读笔记
官方中文文档的网址先贴出来:https://tensorflow.google.cn/programmers_guide/saved_model tf.train.Saver 类别提供了保存和恢复模型 ...
tensorflow 1.0 学习：模型的保存与恢复(Saver)
将训练好的模型参数保存起来,以便以后进行验证或测试,这是我们经常要做的事情.tf里面提供模型保存的是tf.train.Saver()模块. 模型保存,先要创建一个Saver对象:如 saver=tf. ...

随机推荐

vs 在高分屏下开发 winform 配置
一.窗体控件大小第一种方法:使用网格避免整除误差在选项中将Windows窗体设计器的LayoutMode(布局模式)改成SnapToGrid(对齐到网格),并将Default Grid Cell ...
【转发】c#做端口转发程序支持正向连接和反向链接
可以通过中转server来连接sql server,连接的时候用ip,port,不是冒号,是逗号但试过local port 21想连接AS400的FTP却不成功...为咩涅... https://w ...
C# Ninject使用
Ninject是一个IOC容器,用来解决程序中组件的耦合问题,它的目的在于做到最少配置.简单来讲就是为我们选择一个想要的类来处理事务. 百度百科的解释:一个快如闪电.超轻量级的基于.Net平台的依赖 ...
C++中unique函数的用法总结
个人感觉,unique是STL中很实用的函数之一,需要#include,下面来简单介绍一下它的作用. unique的作用是"去掉"容器中相邻元素的重复元素,这里去掉要加一个引号,为 ...
python 之列表常用操作
luogu_P3313 [SDOI2014]旅行
传送门 Solution 第二次学习可持久化线段树打了一道裸题来练习一下-- 对于每个宗教都可以开一个主席树基础操作树剖lca Code #include<bits/stdc++.h&g ...
Leetcode84. 柱状图中最大的矩形(单调栈)
84. 柱状图中最大的矩形前置单调栈做法连续区间组成的矩形,是看最短的那一块,求出每一块左边第一个小于其高度的位置,右边也同理,此块作为最短限制.需要两次单调栈单调栈维护递增区间,每次不满足 ...
SQL题(子文章)(持续更新)
-----> 总文章入口文章目录 [-----> 总文章入口](https://blog.csdn.net/qq_37214567/article/details/90174445) ...
elasticsearch routing
当索引一个文档的时候,文档会被存储到一个主分片中. Elasticsearch 如何知道一个文档应该存放到哪个分片中呢?当我们创建文档时,它如何决定这个文档应当被存储在分片 1 还是分片 2 中呢?首 ...
小福bbs-冲刺日志(第三天)
[小福bbs-冲刺日志(第三天)] 这个作业属于哪个课程班级链接这个作业要求在哪里作业要求的链接团队名称小福bbs 这个作业的目标前端交付部分页面给后端 ,后端开始完成部分功能作业的正文 ...

AI - TensorFlow - 示例05：保存和恢复模型