• 微信公众号:美女很有趣。 工作之余,放松一下,关注即送10G+美女照片!

【TensorFlow2.x开发—基础】 模型保存、加载、使用

互联网 diligentman 2周前 (04-29) 6次浏览

前言

本文主要介绍在TensorFlow2 中使用Keras API保存整个模型,以及如果使用保存好的模型。保存整个模型时,有两种格式可以实现,分别是SaveModel和HDF5;在TF2.x中默认使用SavedModel格式。

文章分为简约版、实践版、代码版,首先从简约版认识基本流程、要点、代码等;再到实践版查看每一步的代码调试结果;最后通过代码版,可以自己尝试实践。

 

简约版

一、HDF5格式

HDF5标准提供了一种基本保存模型格式,也是常见的模型xxx.h5;通过HDF5格式会保存整个模型的权值值、模型的架构、模型的训练配置、优化器及状态等。

使用model.save() 保存,使用tf.keras.models.loda_model加载模型;

首先安装一下相关的依赖库,执行如下命令即可:

pip install pyyaml h5py

1.1)保存模型

# 创建并训练一个新的模型实例
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以HDF5 格式保存模型,保存后是xxx.h5的文件
model.save("my_model.h5")

1.2)加载使用模型

加载模型:

# 重新创建完成相同的模型,包括权值和优化程序等
new_model = tf.keras.models.load_model("my_model.h5")

# 查看模型的结构
new_model.summary()

检查其准确率(accuracy):

loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率:{:5.2f}%".format(100 * acc))

 

二、SavedMode格式

SavedModel格式是序列化模型的一种方法,是一个包含Protobuf二进制文件和Tensorflow检查点(checkpoint)的目录;

SavedModel格式也是使用model.save() 保存模型,使用tf.keras.models.loda_model加载模型;这种方式于Tensorflow Serving兼容。

2.1)保存模型

创建并训练一个新的模型实例,然后把训练好模型保存在saved_model 目录下,保存模型的名称为:my_model

# 创建并训练一个新的模型实例。
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以SavedModel格式保存整个模型
model.save("saved_model/my_model")

SavedModel 格式是一个包含 protobuf 二进制文件和 Tensorflow 检查点(checkpoint)的目录。检查保存的模型目录:

# 首先查看 保存模型的目录saved_model下有那些文件
ls saved_model

# 查看我们刚才保存的模型my_model
ls saved_model/my_model

能看到一个assets文件夹,saved_model.pd,和变量文件夹。

 

2.2)加载使用模型

加载保存好的模型:

new_model = tf.keras.models.load_model("saved_model/my_model")

# 看到模型的结构
new_model.summary()

使用模型:

# 评估模型
loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率:{:5.2f}%".format(100 * acc))

 

实践版

一、HDF5格式

HDF5标准提供了一种基本保存模型格式,也是常见的模型xxx.h5;通过HDF5格式会保存整个模型的权值值、模型的架构、模型的训练配置、优化器及状态等。

首先安装一下相关的依赖库,执行如下命令即可:

pip install pyyaml h5py

1.1)保存模型

【TensorFlow2.x开发—基础】 模型保存、加载、使用

1.2)加载使用模型

加载模型:

【TensorFlow2.x开发—基础】 模型保存、加载、使用

检查其准确率(accuracy):

【TensorFlow2.x开发—基础】 模型保存、加载、使用

 

二、SavedMode格式

SavedModel格式是序列化模型的一种方法,是一个包含Protobuf二进制文件和Tensorflow检查点(checkpoint)的目录;

其使用model.save() 保存,使用tf.keras.models.loda_model加载模型;这种方式于Tensorflow Serving兼容。

2.1)保存模型

创建并训练一个新的模型实例,然后把训练好模型保存在saved_model 目录下,保存模型的名称为:my_model

【TensorFlow2.x开发—基础】 模型保存、加载、使用

SavedModel 格式是一个包含 protobuf 二进制文件和 Tensorflow 检查点(checkpoint)的目录。检查保存的模型目录:

【TensorFlow2.x开发—基础】 模型保存、加载、使用

能看到一个assets文件夹,saved_model.pd,和变量文件夹。

 

2.2)加载使用模型

加载保存好的模型:

【TensorFlow2.x开发—基础】 模型保存、加载、使用

使用模型:

【TensorFlow2.x开发—基础】 模型保存、加载、使用

 

代码版

HDF5格式:

# 导入Tensorflow和依赖项
import os
import tensorflow as tf
from tensorflow import keras


# 获取示例数据集,使用 MNIST 数据集,主要使用使用前1000个示例
(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


# 定义模型,首先构建一个简单的序列(sequential)模型
# 定义一个简单的序列模型
def create_model():
  model = tf.keras.models.Sequential([
    keras.layers.Dense(512, activation='relu', input_shape=(784,)),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10)
  ])

  model.compile(optimizer='adam',
                loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

  return model

# 创建并训练一个新的模型实例
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以HDF5 格式保存模型,保存后是xxx.h5的文件
model.save("my_model.h5")

# 重新创建完成相同的模型,包括权值和优化程序等
new_model = tf.keras.models.load_model("my_model.h5")

# 查看模型的结构
new_model.summary()

loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率:{:5.2f}%".format(100 * acc))

 

SavedMode格式:

# 导入Tensorflow和依赖项
import os
import tensorflow as tf
from tensorflow import keras


# 获取示例数据集,使用 MNIST 数据集,主要使用使用前1000个示例
(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


# 定义模型,首先构建一个简单的序列(sequential)模型
# 定义一个简单的序列模型
def create_model():
  model = tf.keras.models.Sequential([
    keras.layers.Dense(512, activation='relu', input_shape=(784,)),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10)
  ])

  model.compile(optimizer='adam',
                loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

  return model


# 创建并训练一个新的模型实例。
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以SavedModel格式保存整个模型
model.save("saved_model/my_model")


new_model = tf.keras.models.load_model("saved_model/my_model")

# 看到模型的结构
new_model.summary()

# 评估模型
loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率:{:5.2f}%".format(100 * acc))

print(new_model.predict(test_images).shape)

 

小结

保存整个模型时,有两种方式实现,分别是SaveModel和HDF5;两种都是使用model.save() 保存模块,使用tf.keras.models.loda_model加载模型;

HDF5格式 保存模型后,生成xxx.h5,比较常用。

SavedModel格式 保存模型后,是一个包含Protobuf二进制文件和Tensorflow检查点(checkpoint)的目录;

 

加油加油~~ 欢迎交流呀

 

 


程序员灯塔
转载请注明原文链接:【TensorFlow2.x开发—基础】 模型保存、加载、使用
喜欢 (0)