Ошибка при загрузке модели с load_weights в Keras - PullRequest
Новая
       21

Ошибка при загрузке модели с load_weights в Keras

2 голосов
/ 07 марта 2019

Я обучил модель в керасах (регресс) на платформе Linux и сохранил модель с model.save_weights("kwhFinal.h5")

А потом я надеялся перенести мою полностью сохраненную модель в Python 3.6 на моем ноутбуке с Windows 10 и просто использовать ее с IDLE: 

from keras.models import load_model

# load weights into new model
loaded_model.load_weights("kwhFinal.h5")
print("Loaded model from disk")

За исключением того, что я работаю в этом режиме только для чтения ValueError с Keras. Через pip я установил Keras & Tensorflow на своем ноутбуке с Windows 10 и изучал больше онлайн, похоже, что другой SO пост об этой же проблеме , ответ гласит:

Вы должны установить и определить архитектуру вашей модели, а затем использовать model.load_weights

Но я не понимаю этого достаточно, чтобы воссоздать код из ответа (ссылка на git gist). Это мой скрипт Keras ниже, который я запустил на ОС Linux для создания модели. Может кто-нибудь дать мне совет, как определить архитектуру, чтобы я мог использовать эту модель для прогнозирования на моем ноутбуке с Windows 10? 

#https://machinelearningmastery.com/custom-metrics-deep-learning-keras-python/
#https://machinelearningmastery.com/save-load-keras-deep-learning-models/
#https://machinelearningmastery.com/regression-tutorial-keras-deep-learning-library-python/


import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import math
from keras.models import Sequential
from keras.layers import Dense
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
from keras import backend
from keras.models import model_from_json
import os



def rmse(y_true, y_pred):
    return backend.sqrt(backend.mean(backend.square(y_pred - y_true), axis=-1))

# load dataset
dataset = pd.read_csv("joinedRuntime2.csv", index_col='Date', parse_dates=True)

print(dataset.shape)
print(dataset.dtypes)
print(dataset.columns)

# shuffle dataset
df = dataset.sample(frac=1.0)

# split into input (X) and output (Y) variables
X = df.drop(['kWh'],1)
Y = df['kWh']

offset = int(X.shape[0] * 0.7)
X_train, Y_train = X[:offset], Y[:offset]
X_test, Y_test = X[offset:], Y[offset:]


model = Sequential()
model.add(Dense(60, input_dim=7, kernel_initializer='normal', activation='relu'))
model.add(Dense(55, kernel_initializer='normal', activation='relu'))
model.add(Dense(50, kernel_initializer='normal', activation='relu'))
model.add(Dense(45, kernel_initializer='normal', activation='relu'))
model.add(Dense(30, kernel_initializer='normal', activation='relu'))
model.add(Dense(20, kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal'))
model.summary()

model.compile(loss='mse', optimizer='adam', metrics=[rmse])

# train model
history = model.fit(X_train, Y_train, epochs=5, batch_size=1,  verbose=2)

# plot metrics
plt.plot(history.history['rmse'])
plt.title("kWh RSME Vs Epoch")
plt.show()

# serialize model to JSON
model_json = model.to_json()
with open("model.json", "w") as json_file:
    json_file.write(model_json)

model.save_weights("kwhFinal.h5")
print("[INFO] Saved model to disk")

В области машинного обучения они демонстрируют также сохранение YML & Json, но я не уверен, поможет ли это определить архитектуру модели ...

Ответы [ 2 ]

0 голосов
/ 13 марта 2019

Сохранить модель как: 

model.save("kwhFinal.h5")

При загрузке модели вам необходимо добавить определенную вами метрическую функцию. 

model=load_model("kwhFinal.h5",custom_objects={'rmse': rmse})
0 голосов
/ 08 марта 2019

Вы экономите веса, а не всю модель.Модель - это больше, чем просто веса, включая архитектуру, потери, метрики и т. Д.

У вас есть два решения:

1) Идите с сохранением весов: в данном случае, во времязагрузка модели, вам нужно будет воссоздать вашу модель, загрузить вес и затем скомпилировать модель.Ваш код должен выглядеть примерно так: 

model = Sequential()
model.add(Dense(60, input_dim=7, kernel_initializer='normal', activation='relu'))
model.add(Dense(55, kernel_initializer='normal', activation='relu'))
model.add(Dense(50, kernel_initializer='normal', activation='relu'))
model.add(Dense(45, kernel_initializer='normal', activation='relu'))
model.add(Dense(30, kernel_initializer='normal', activation='relu'))
model.add(Dense(20, kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal'))
model.load_weights("kwhFinal.h5")
model.compile(loss='mse', optimizer='adam', metrics=[rmse])

2) Сохраните всю модель с помощью этой команды: 

model.save("kwhFinal.h5")

И во время загрузки используйте эту команду для загрузки вашей модели: 

from keras.models import load_model
model=load_model("kwhFinal.h5")
...