2

我试图加载我在训练期间保存的 keras 模型。所以我去了keras 文档，在那里我看到了这个。

从 TensorFlow 格式加载权重时，仅支持拓扑加载 (by_name=False)。请注意，对于继承自 tf.keras.Model 的用户定义类，拓扑加载在 TensorFlow 和 HDF5 格式之间略有不同：HDF5 加载基于扁平化的权重列表，而 TensorFlow 格式加载基于属性的对象本地名称图层在模型的构造函数中分配。

你能解释一下上面的吗？

4

1 回答 1

2

为了清楚起见，让我们考虑两种情况。
案例 1：简单模型，
案例 2：使用继承自的用户定义类的复杂模型tf.keras.Model。

案例 1：简单模型（如在 keras 函数和顺序模型中）

当您保存模型权重（使用model.save_weights）然后加载权重（使用model.load_weights）时，默认情况下该load_weights方法使用拓扑加载。这对于 Tensorflow saved_model ('tf') 格式和 'h5' 格式是一样的。例如，

loadedh5_model.load_weights('./MyModel_h5.h5') 
# the line above is same as the line below (as second and third arguments are default)
#loadedh5_model.load_weights('./MyModel_h5.h5',by_name=False, skip_mismatch=False)

如果要加载已保存模型的特定层的权重，则需要使用by_name=True. 有些用例需要这种类型的加载。

loadedh5_model.load_weights('./MyModel_h5.h5',by_name=True, skip_mismatch=False)

案例 2：复杂模型（如 Keras 子类模型）

tf.keras.Model到目前为止，仅当在模型创建中使用继承自的用户定义类时才支持“tf”格式。

从 TensorFlow 格式加载权重时，仅支持拓扑加载 (by_name=False)。请注意，对于继承自 tf.keras.Model 的用户定义类，拓扑加载在 TensorFlow 和 HDF5 格式之间略有不同：HDF5 加载基于扁平化的权重列表，而 TensorFlow 格式加载基于属性的对象本地名称图层在模型的构造函数中分配。

主要原因是权重的h5格式和tf格式。例如，考虑Case 1基于扁平化权重列表加载 HDF5 的位置。重量加载没有任何错误。然而，在 中Case 2，模型user defined classes需要不同的方法，而不仅仅是加载扁平权重。为了照顾分配自定义类的权重，'tf' 格式根据模型构造函数中分配层的属性的对象本地名称加载权重。

keras网站中提到的以下段落，进一步阐明

加载 TensorFlow 格式的权重文件时，返回与 tf.train.Checkpoint.restore 相同的状态对象。在构建图形时，一旦网络构建完成，恢复操作就会自动运行（在第一次调用从模型继承的用户定义类时，如果它已经构建，则立即运行）。

要理解的另一点是 kerasFunctional或Sequential模型是层的静态图，可以毫无问题地使用扁平权重。Keras 子类模型（如我们的案例 2 中）是一段 Python 代码（一个调用方法）。没有图层图。因此，一旦使用自定义类构建网络，就会运行恢复操作来更新状态对象。希望能帮助到你。

于 2020-05-10T15:52:31.593 回答