在訓(xùn)練之后和訓(xùn)練過程中都可以保存模型進(jìn)度。 這意味著模型可以從中斷的地方繼續(xù)進(jìn)行，避免了長(zhǎng)時(shí)間的訓(xùn)練。 保存還意味著您可以共享模型，而其他人可以重新創(chuàng)建您的作品。 在發(fā)布研究模型和技術(shù)時(shí)，大多數(shù)機(jī)器學(xué)習(xí)從業(yè)者分享：

• 創(chuàng)建模型的代碼，以及
• 模型的訓(xùn)練權(quán)重或參數(shù)

共享這些數(shù)據(jù)可幫助其他人了解模型的工作原理，并使用新數(shù)據(jù)自己嘗試。

設(shè)定

我們將使用MNIST數(shù)據(jù)集來訓(xùn)練我們的模型，以演示如何保存權(quán)重。 為了加快這些演示運(yùn)行，僅使用前1000個(gè)示例：

library(keras)mnist % array_reshape(c(1000, 28 * 28))train_images % array_reshape(c(1000, 28 * 28))test_images

定義模型

讓我們建立一個(gè)簡(jiǎn)單的模型，以演示如何保存和加載權(quán)重。

# Returns a short sequential modelcreate_model % layer_dense(units = 512, activation = "relu", input_shape = 784) %>% layer_dropout(0.2) %>% layer_dense(units = 10, activation = "softmax") model %>% compile( optimizer = "adam", loss = "sparse_categorical_crossentropy", metrics = list("accuracy") ) model}model % summary()

保存整個(gè)模型

保存Keras模型的習(xí)慣形式是保存為HDF5格式。

生成的文件包含權(quán)重值，模型的配置，甚至優(yōu)化器的配置。 這使您可以保存模型并稍后從完全相同的狀態(tài)恢復(fù)訓(xùn)練，而無需訪問原始代碼。

model % fit(train_images, train_labels, epochs = 5)model %>% save_model_hdf5("my_model.h5")

如果您只想保存權(quán)重，則可以將最后一行替換為

model %>% save_model_weights_hdf5("my_model_weights.h5")

現(xiàn)在從該文件重新創(chuàng)建模型：

new_model % summary()

在訓(xùn)練期間保存檢查點(diǎn)

在訓(xùn)練期間和訓(xùn)練結(jié)束時(shí)自動(dòng)保存檢查點(diǎn)非常有用。這樣，您可以使用受過訓(xùn)練的模型，而無需重新訓(xùn)練它，也可以在您離開的地方進(jìn)行訓(xùn)練，以防訓(xùn)練過程中斷。

callback_model_checkpoint是執(zhí)行此任務(wù)的回調(diào)。

回調(diào)使用幾個(gè)參數(shù)來配置檢查點(diǎn)。默認(rèn)情況下，save_weights_only設(shè)置為false，這意味著將保存完整的模型-包括體系結(jié)構(gòu)和配置。然后，您可以按照上一段所述還原模型。

現(xiàn)在，讓我們集中討論僅保存和恢復(fù)權(quán)重。在以下代碼段中，我們將save_weights_only設(shè)置為true，因此在還原時(shí)需要模型定義。

filepath參數(shù)可以包含命名的格式選項(xiàng)，例如：如果文件路徑為權(quán)重。{epoch：02d}-{val_loss：.2f} .hdf5，則模型檢查點(diǎn)將與時(shí)期號(hào)一起保存，文件名中的驗(yàn)證丟失。

保存的模型權(quán)重將再次為HDF5格式。

檢查點(diǎn)回調(diào)用法

訓(xùn)練模型并將其傳遞給callback_model_checkpoint：

checkpoint_dir % fit( train_images, train_labels, epochs = 10, validation_data = list(test_images, test_labels), callbacks = list(cp_callback) # pass callback to training)

檢查創(chuàng)建的文件：

list.files(checkpoint_dir)

創(chuàng)建一個(gè)新的未經(jīng)訓(xùn)練的模型。 僅從權(quán)重還原模型時(shí)，必須具有與原始模型具有相同體系結(jié)構(gòu)的模型。 由于它是相同的模型架構(gòu)，因此盡管模型是不同的實(shí)例，我們?nèi)钥梢怨蚕頇?quán)重。

現(xiàn)在重建一個(gè)新的，未經(jīng)訓(xùn)練的模型，并在測(cè)試集上對(duì)其進(jìn)行評(píng)估。 未經(jīng)訓(xùn)練的模型將以機(jī)會(huì)級(jí)別(?10％的準(zhǔn)確性)執(zhí)行：

fresh_model % evaluate(test_images, test_labels)cat('Test loss:', score$loss, '')cat('Test accuracy:', score$acc, '')

然后從最新的檢查點(diǎn)(第10步)加載權(quán)重，然后重新評(píng)估：

fresh_model %>% load_model_weights_hdf5( file.path(checkpoint_dir, "weights.10-0.42.hdf5"))score % evaluate(test_images, test_labels)cat('Test loss:', score$loss, '')cat('Test accuracy:', score$acc, '')

為了減少文件數(shù)量，您還可以在第n個(gè)時(shí)間段僅保存一次模型權(quán)重。 例如，

checkpoint_dir % fit( train_images, train_labels, epochs = 10, validation_data = list(test_images, test_labels), callbacks = list(cp_callback) # pass callback to training)list.files(checkpoint_dir)

另外，您也可以決定僅保存最佳模型，默認(rèn)情況下，最佳模型定義為驗(yàn)證損失。 有關(guān)更多信息，請(qǐng)參見callback_model_checkpoint的文檔。

checkpoint_dir % fit( train_images, train_labels, epochs = 10, validation_data = list(test_images, test_labels), callbacks = list(cp_callback) # pass callback to training)

在這種情況下，權(quán)重在第6和第7個(gè)時(shí)期均已保存，但驗(yàn)證損失沒有改善。

總結(jié)

以上是生活随笔為你收集整理的input date保存值_涛哥文集（36）：R keras保存和还原模型的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。