误差加载Tensorflow角模型(.h5)

Question

我训练了一个数字图像并制作了一个模型文件。

相应的调味汁如下。

import os
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical 
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense 
from tensorflow.keras.models import load_model
import cv2
from sklearn.model_selection import train_test_split
from tensorflow.keras.layers import Flatten, Convolution2D, MaxPooling2D
from tensorflow.keras.layers import Dropout, Activation, Dense
from tensorflow.keras.layers import Conv2D

os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'

path = '/Users/animalman/Documents/test/cnn/'

trainPath = os.listdir(path+'train')
testPath = os.listdir(path+'test')

categories = ["5"]
length = len(categories)

width = 28
height = 28
label = [1 for i in range(length)]
X = []
Y = []
for idx, categorie in enumerate(categories):
    label = [0 for i in range(length)]
    label[idx] = 1
    
    fileDir = path + 'train' + '/' + categorie + '/'
    for t, dir, f in os.walk(fileDir):
        for filename in f:
            print(fileDir + filename)
            img = cv2.imread(fileDir + filename)
            img = cv2.resize(img, None, fx=width/img.shape[0],fy=height/img.shape[1])
            X.append(img)
            Y.append(label)
X = np.array(X)
Y = np.array(Y)
X_train, X_test,Y_train, Y_test = train_test_split(X,Y)
xy = (X_train, X_test, Y_train, Y_test)


X_train = X_train.astype("float") / 256
X_test  = X_test.astype("float")  / 256

model = Sequential()
model.add(Conv2D(16, (3, 3), input_shape=X_train.shape[1:], padding='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), padding='same'))
model.add(Activation('relu'))

model.add(Conv2D(64, (3, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten()) 
model.add(Dense(512))  
model.add(Activation('relu'))
model.add(Dropout(0.5))

model.add(Dense(length))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
    optimizer='rmsprop',
    metrics=['accuracy'])


hdf5_file = "./7obj-model.h5"
if os.path.exists(hdf5_file):
    model.load_weights(hdf5_file)
else:
    model.fit(X_train, Y_train, batch_size=32, epochs=1)
    model.save_weights(hdf5_file)

然后我把保存下来的模型文件带来了。

loaded_model = tf.keras.models.load_model(hdf5_file)

但是，这是发生错误的地方。理由是什么呢？

追溯(最近一次调用)：loaded_model = tf.keras.models.load_model(hdf5_file)文件第206行、load_model返回hdf5_format.load_model_from_hdf5(filepath，custom_objects )中的第112行:文件“/Users/动物/文档/test/Tra.py”文件"/Users/animalman/opt/anaconda3/lib/python3.8/site-packages/tensorflow/python/keras/saving/hdf5_format.py"，第181行，在load_model_from_hdf5提起ValueError(‘在配置文件中找不到模型’)。ValueError:在配置文件中找不到模型。

Answer 1

正如这个职位中提到的，您的h5文件只包含权重。您需要将模型架构保存在json文件中，然后使用model_from_json加载模型配置，因此可以使用load_weights加载权重。

另一个选择可能是简单地保存模型(体系结构+权重)，方法是将最后一行替换为

model.save("model.h5")

然后加载，您可以使用

model = load_model('model.h5')

Answer 2

添加到@Oscar响应中，对于较小和简单的模型，'h5'格式就足够了，但是对于具有custom_layers或自定义度量的复杂模型(函数和子类)，最好以'tf'格式保存(也称为SavedModel格式)。

有关Keras网页的更详细指南，请在这里查看

Keras SavedModel格式限制： SavedModel为生成图层调用函数的图形所做的跟踪允许SavedModel比H5更可移植，但它也有缺点。 可能比H5更慢更大。无法序列化从掩码参数生成的操作(即，如果使用layer (.，mask=mask_value)调用一个层，则掩码参数不会保存到SavedModel)。不将重写的train_step()保存在子类模型中。使用掩码或具有自定义训练循环的自定义对象仍然可以从SavedModel中保存和加载，除非它们必须重写get_config()/from_config()，而且在加载时必须将类传递给custom_objects参数。 H5限制： 通过model.add_loss()和model.add_metric()添加的外部损失和度量没有保存(与SavedModel不同)。如果您在模型上有这样的损失&度量，并且希望恢复培训，那么您需要在加载模型之后自己添加这些损失。请注意，这不适用于通过self.add_loss() & self.add_metric()在层内创建的损失/度量。只要层被加载，这些损失&度量就会保留下来，因为它们是层调用方法的一部分。自定义对象(如自定义层)的计算图不包含在保存的文件中。加载时，Keras将需要访问这些对象的Python类/函数，以便重建模型。请参阅自定义对象。不支持预处理层。