我已经训练了一个Keras(带有Tensorflow后端)模型,它有两个具有自定义丢失功能的输出。我需要帮助使用custom_objects
参数从磁盘加载模型。
在编译模型时,我使用了loss和loss_weights参数,如下所示:
losses = {
'output_layer_1':custom_loss_fn,
'output_layer_2':custom_loss_fn
}
loss_weights = {
'output_layer_1': 1.0,
'output_layer_2': 1.0
}
model.compile(loss=losses, loss_weights=loss_weights, optimizer=opt)
该模型正在训练中没有任何问题。我保存模型如下:
model.save(model_path)
我之前没有定义“custom_loss_fn”的原因是因为custom_loss_fn是在另一个自定义Keras层中定义的。
我的问题是如何在推理过程中加载持久存储到磁盘的模型。如果它是单个输出模型,我将使用custom_objects加载模型,如此stackoverflow问题中所述:Loading model with custom loss + keras
model = keras.models.load_model(model_path, custom_objects={'custom_loss_fn':custom_loss_fn})
但是如何在我的情况下扩展这个,我有两个输出,在字典中定义的损失和损失权重以及自定义损失函数?
换句话说,在custom_objects
和losses
被定义为词典的情况下,如何填充loss_weights
?
我正在使用带有Tensorflow后端v1.8.0的Keras v2.1.6。
如果你可以在加载方面重新编译模型,最简单的方法是只保存权重:model.save_weights()
。如果你想使用save_model并拥有自定义Keras图层,请确保它们实现了get_config
方法(请参阅this参考)。对于没有渐变的ops,我在没有正确使用keras.backend
函数的情况下混合张量流和Keras时看到了这一点,但是如果没有模型代码本身我就无法帮助了。