我用callbacks.ModelCheckpoint()
用HDF5文件自动保存了我的模型。
# Checkpoint In the /output folder
filepath = "./model/mnist-cnn-best.hd5"
# Keep only a single checkpoint, the best over test accuracy.
checkpoint = keras.callbacks.ModelCheckpoint(filepath, monitor='val_acc',
verbose=1, save_best_only=True,
mode='max')
# Train
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test),
callbacks=[checkpoint])
加载模型时,发生错误。
model = keras.models.load_model("./mnist-cnn-best.hd5")
File "D:\Program Files\Anaconda3\lib\site-packages\tensorflow\python\keras\engine\saving.py", line 251, in load_model
training_config['weighted_metrics'])
KeyError: 'weighted_metrics'
如果我使用参数'compile = False'加载模型,它可以正常工作。
我知道在keras中保存模型的正常方法是:
from keras.models import load_model
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'
del model # deletes the existing model
# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')
顺便说一句,当我通过Tensorflow Lite转换此模型时,也会发生此错误。但我不知道我的模型有什么问题。有没有人有想法?
我遇到了类似的问题,产生了相同的错误信息,但原因可能与您的不同:
代码:(Tensorflow 1.11和tf.keras.version:2.1.6-tf)
if load_model_path.endswith('.h5'):
model = tf.keras.models.load_model(load_model_path)
错误信息:
File "...../lib/python3.6/site-packages/tensorflow/python/keras/engine/saving.py", line 251, in load_model
training_config['weighted_metrics'])
KeyError: 'weighted_metrics'
我发现它是因为该模型保存在较旧的Keras版本中。我必须注释掉与weighted_metrics
相关的代码才能加载模型。然而,在我找到不匹配问题的可持续解决方案之前,这只是一个解决方法。有趣的是,@fchollet
最近刚刚(2018年10月)将weighted_metrics
添加到最新的Keras版本中。
https://github.com/keras-team/keras/blob/master/keras/engine/saving.py#L136我希望这能帮助那些遇到同样问题的人。
如果你还没有想出答案,我想我已经明白了。
我没有挖掘代码来准确找出原因,但基本上模型检查点回调只能加载load_weights()
函数,然后用于评估。
如果你想保存一个你可以加载以再次训练的模型,你需要使用model.save
和model.load_model
。希望对那些徘徊于此的人有所帮助。
我通常使用它的方式如下:
def create_model():
<my model>
<model.compile>
return model
checkpoint = keras.callbacks.ModelCheckpoint(filepath, verbose=<val>, monitor=<val>, save_best_only=True, save_weights_only=True)
classifier = create_model()
classifier.fit(<your parameters>)
classifier.evaluate(<your parameters>)
loaded_model = create_model()
loaded_model.load_weights(filepath)
y_pred = loaded.model.<predict_method>(test_set,verbose=<val>)
'''