Как сохранить лучшие веса части энкодера только во время обучения авто-энкодеру ??

Question

Как сохранить лучшие веса части энкодера только во время обучения авто-энкодеру ??

1

Я использую keras с тензорным потоком для реализации глубокого автокодера с CNN:

Таким образом, в основном модель будет похожа на:

    input_data = Input(shape=(40,500,1))

    #encoder  
    x= Conv2D(32,kernel_size=(3,3), padding="same",activation='linear')(input_data)       
    encoded= Conv2D(15,kernel_size=(1,2), strides=(1,2), padding="same",activation='linear')(x)  


    #decoder             
    x= Conv2DTranspose(15,kernel_size=(1,2), padding="same",activation='linear')(encoded)        
    x= Conv2DTranspose(32,kernel_size=(3,3), padding="same",activation='linear')(x)
    decoded = Conv2DTranspose(1, (3, 3), activation=activationfuntion, padding="same")(x)

    autoencoder = Model(inputs=input_data,outputs=decoded)
    encoder = Model(inputs=input_data,outputs=encoded)

Чтобы сохранить лучшие весы модели во время обучения, я использую ModelCheckpoint:

        autoencoder.compile(loss='mean_squared_error', optimizer='rmsprop');

        checkpoint=ModelCheckpoint('bestweight.best.hdf5',monitor='val_loss',verbose=1,save_best_only=True,mode='min');   
        callbacks_list=[checkpoint]

        history_info =autoencoder.fit(x_train, x_train,
                        batch_size=batch_size,
                        epochs=50,
                        validation_data=(x_validation,x_validation),
                        callbacks=callbacks_list,
                        shuffle=True)

а затем позже, чтобы проверить на testdataset:

 autoencoder.load_weights('bestweight.best.hdf5');
 autoencoder.predict(test_data);

Мой вопрос:

Я знаю, как сохранить лучшие веса всего автокодера, но есть ли способ сохранить лучшие тренировочные веса части кодировщика, поэтому я могу использовать его позже для тестирования. поэтому я могу использовать его таким образом:

 encoder.load_weights('encoderbestweight.best.hdf5');
 encoder.predict(test_data);

ryh12 22 июнь 2018, в 10:27

Источник

Теги:

python

tensorflow

keras

autoencoder

1 ответ

Ещё вопросы

Sigeth Brauer · Answer 1 · 2018-06-22T08-01-00.000Z

Прежде чем пытаться ответить на ваш вопрос, я хотел бы сделать краткое замечание об использовании обратного вызова ModelCheckpoint. Давайте посмотрим на параметры по умолчанию:

keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)

Значение параметра save_weights_only по умолчанию - False, что означает, что вы фактически сохраняете не только веса модели, но и всю архитектуру! Таким образом, при загрузке весов вашей модели вы можете переопределить модель и использовать load_weights. Или вы можете напрямую загрузить свою модель из файла, используя функцию load_model.

Теперь, чтобы сохранить только кодировщик, я бы написал новый обратный вызов контрольной точки, например:

class CustomCheckpoint(Callback):

def __init__(self, filepath, encoder):
    self.monitor = 'val_loss'
    self.monitor_op = np.less
    self.best = np.Inf

    self.filepath = filepath
    self.encoder = encoder

def on_epoch_end(self, epoch, logs=None):
    current = logs.get(self.monitor)
    if self.monitor_op(current, self.best):
        self.best = current
        # self.encoder.save_weights(self.filepath, overwrite=True)
        self.encoder.save(self.filepath, overwrite=True) # Whichever you prefer

В качестве альтернативы, поскольку у вас уже есть файл сохранения для всей сети, вы можете отделить свой кодировщик от декодера следующим образом:

from keras.models import load_model
autoencoder = load_model("path_to_file")
encoder = Model(autoencoder.layers[0].input, autoencoder.layers[1].output)