ML - Сохранение модели глубокого обучения в Керасе

Опубликовано: 21 Июля, 2021

Обучение нейронной сети / модели глубокого обучения обычно занимает много времени, особенно если аппаратная мощность системы не соответствует требованиям. После завершения обучения мы сохраняем модель в файл. Чтобы повторно использовать модель в более поздний момент времени для прогнозирования, мы загружаем сохраненную модель.
Через Keras модели можно сохранять в трех форматах:

Формат YAML
Формат JSON
Формат HDF5

Файлы YAML и JSON хранят только структуру модели, тогда как файл HDF5 хранит полную модель нейронной сети вместе со структурой и весами. Следовательно, если структура модели сохраняется с использованием формата YAML или JSON, веса должны храниться в файле HDF5 для хранения всей модели.
Учитывая набор данных о ценах на жилье в Бостоне:
Код: загрузка набора данных и предварительная обработка данных

 import keras
 from keras.datasets import boston_housing
 
(train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()
 
mean = train_data.mean(axis = 0 )
 train_data - = mean
 std = train_data.std(axis = 0 )
 
train_data / = std
 test_data - = mean
 test_data / = std 

Код: обучение модели нейронной сети на нем

 from import models keras
 from layers import keras
 
model = models.Sequential()
 model.add(layers.Dense( 64 , activation = "relu" , input_shape = (train_data.shape[ 1 ], )))
 model.add(layers.Dense( 64 , activation = "relu" ))
 model.add(layers.Dense( 1 ))
 model. compile (optimizer = "rmsprop" , loss = "mse" , metrics = [ "mae" ])
 loss, accuracy = model.evaluate(test_data, test_targets) 

Выход:

Код: Сохранение и перезагрузка модели в формате файла HDF5

 from keras.models import load_model
 model.save( "network.h5" )
 loaded_model = load_model( "network.h5" )
 loss, accuracy = loaded_model.evaluate(test_data, test_targets) 

Выход:

Код: Сохранение и перезагрузка модели в формате файла JSON

 # Saving model structure to a JSON file
 
model_json = model.to_json() # with open("network.json", "w") as json_file:
    json_file.write(model_json)
 
# Saving weights of the model to a HDF5 file
 model.save_weights( "network.h5" )
 
# Loading JSON file
 json_file = open ( "network.json" , 'r' )
 loaded_model_json = json_file.read()
 json_file.close()
 loaded_model = model_from_json(loaded_model_json)
 
# Loading weights
 loaded_model.load_weights( "network.h5" )
 loss, accuracy = loaded_model.evaluate(test_data, test_targets) 

Код: Сохранение и перезагрузка модели в формате файла YAML

 # Saving model structure to a YAML file
 model_yaml = model.to_yaml()
 with open ( "network.yaml" , "w" ) as yaml_file:
    yaml_file.write(model_yaml)
 
# Saving weights of the model to a HDF5 file
 model.save_weights( "network.h5" )
 
# Loading YAML file
 yaml_file = open ( "network.yaml" , 'r' )
 loaded_model_yaml = yaml_file.read()
 yaml_file.close()
 loaded_model = model_from_yaml(loaded_model_yaml)
 
# Loading weights
 loaded_model.load_weights( "network.h5" )
 loss, accuracy = loaded_model.evaluate(test_data, test_targets) 

Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.

Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.

ML - Сохранение модели глубокого обучения в Керасе

РЕКОМЕНДУЕМЫЕ СТАТЬИ