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);
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)