Keras入门(二)模型的保存、读取及加载

发布日期:2019-05-29

本文将会介绍如何利用Keras来实现模型的保存、读取以及加载。

  本文使用的模型为解决IRIS数据集的多分类问题而设计的深度神经网络(DNN)模型,模型的结构示意图如下:

具体的模型参数可以参考文章:Keras入门(一)搭建深度神经网络(DNN)解决多分类问题。

模型保存

  Keras使用HDF5文件系统来保存模型。模型保存的方法很容易,只需要使用save()方法即可。  以Keras入门(一)搭建深度神经网络(DNN)解决多分类问题中的DNN模型为例,整个模型的变量为model,我们设置模型共训练10次,在原先的代码中加入Python代码即可保存模型:

# save model print("Saving model to disk ") mp = "E://logs/iris_model.h5" model.save(mp)

保存的模型文件(iris_model.h5)如下:

模型读取

  保存后的iris_model.h5以HDF5文件系统的形式储存,在我们使用Python读取h5文件里面的数据之前,我们先用HDF5的可视化工具HDFView来查看里面的数据:

  我们感兴趣的是这个模型中的各个神经层之间的连接权重及偏重,也就是上图中的红色部分,model_weights里面包含了各个神经层之间的连接权重及偏重,分别位于dense_1,dense_2,dense_3中。蓝色部分为dense_3/dense_3/kernel:0的数据,即最后输出层的连接权重矩阵。  有了对模型参数的直观认识,我们要做的下一步工作就是读取各个神经层之间的连接权重及偏重。我们使用Python的h5py这个模块来这个iris_model.h5这个文件。关于h5py的快速入门指南,可以参考文章:h5py快速入门指南。  使用以下Python代码可以读取各个神经层之间的连接权重及偏重数据:

import h5py# 模型地址MODEL_PATH = "E://logs/iris_model.h5"# 获取每一层的连接权重及偏重print("读取模型中...")with h5py.File(MODEL_PATH, "r") as f: dense_1 = f["/model_weights/dense_1/dense_1"] dense_1_bias = dense_1["bias:0"][:] dense_1_kernel = dense_1["kernel:0"][:] dense_2 = f["/model_weights/dense_2/dense_2"] dense_2_bias = dense_2["bias:0"][:] dense_2_kernel = dense_2["kernel:0"][:] dense_3 = f["/model_weights/dense_3/dense_3"] dense_3_bias = dense_3["bias:0"][:] dense_3_kernel = dense_3["kernel:0"][:]print("第一层的连接权重矩阵:%s"%dense_1_kernel)print("第一层的连接偏重矩阵:%s"%dense_1_bias)print("第二层的连接权重矩阵:%s"%dense_2_kernel)print("第二层的连接偏重矩阵:%s"%dense_2_bias)print("第三层的连接权重矩阵:%s"%dense_3_kernel)print("第三层的连接偏重矩阵:%s"%dense_3_bias)

输出的结果如下:

读取模型中...第一层的连接权重矩阵:[[ 0.04141677 0.03080632 -0.02768146 0.14334357 0.06242227] [-0.41209617 -0.77948487 0.5648218 -0.699587 -0.19246106] [ 0.6856315 0.28241938 -0.91930366 -0.07989818 0.47165248] [ 0.8655262 0.72175753 0.36529952 -0.53172135 0.26573092]]第一层的连接偏重矩阵:[-0.16441862 -0.02462054 -0.14060321 0. -0.14293939]第二层的连接权重矩阵:[[ 0.39296603 0.01864707 0.12538083 0.07935872 0.27940807 -0.4565802 ] [-0.34312084 0.6446907 -0.92546445 -0.00538039 0.95466876 -0.32819661] [-0.7593299 -0.07227057 0.20751365 0.40547106 0.35726753 0.8884158 ] [-0.48096 0.11294878 -0.29462305 -0.410536 -0.23620337 -0.72703975] [ 0.7666149 -0.41720924 0.29576775 -0.6328017 0.43118536 0.6589351 ]]第二层的连接偏重矩阵:[-0.1899569 0. -0.09710662 -0.12964155 -0.26443157 0.6050924 ]第三层的连接权重矩阵:[[-0.44450542 0.09977101 0.12196152] [ 0.14334357 0.18546402 -0.23861367] [-0.7284191 0.7859063 -0.878823 ] [ 0.0876545 0.51531947 0.09671918] [-0.7964963 -0.16435687 0.49531657] [ 0.8645698 0.4439873 0.24599855]]第三层的连接偏重矩阵:[ 0.39192322 -0.1266532 -0.29631865]

值得注意的是,我们得到的这些矩阵的数据类型都是numpy.ndarray。  OK,既然我们已经得到了各个神经层之间的连接权重及偏重的数据,那我们能做什么呢?当然是去做一些有趣的事啦,那就是用我们自己的方法来实现新数据的预测向量(softmax函数作用后的向量)。so, really?  新的输入向量为[6.1, 3.1, 5.1, 1.1],使用以下Python代码即可输出新数据的预测向量:

import h5pyimport numpy as np# 模型地址MODEL_PATH = "E://logs/iris_model.h5"# 获取每一层的连接权重及偏重print("读取模型中...")with h5py.File(MODEL_PATH, "r") as f: dense_1 = f["/model_weights/dense_1/dense_1"] dense_1_bias = dense_1["bias:0"][:] dense_1_kernel = dense_1["kernel:0"][:] dense_2 = f["/model_weights/dense_2/dense_2"] dense_2_bias = dense_2["bias:0"][:] dense_2_kernel = dense_2["kernel:0"][:] dense_3 = f["/model_weights/dense_3/dense_3"] dense_3_bias = dense_3["bias:0"][:] dense_3_kernel = dense_3["kernel:0"][:]# 模拟每个神经层的计算,得到该层的输出def layer_output(input, kernel, bias): return np.dot(input, kernel) + bias# 实现ReLU函数relu = np.vectorize(lambda x: x if x >=0 else 0)# 实现softmax函数def softmax_func(arr): exp_arr = np.exp(arr) arr_sum = np.sum(exp_arr) softmax_arr = exp_arr/arr_sum return softmax_arr# 输入向量unkown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)# 第一层的输出print("模型计算中...")output_1 = layer_output(unkown, dense_1_kernel, dense_1_bias)output_1 = relu(output_1)# 第二层的输出output_2 = layer_output(output_1, dense_2_kernel, dense_2_bias)output_2 = relu(output_2)# 第三层的输出output_3 = layer_output(output_2, dense_3_kernel, dense_3_bias)output_3 = softmax_func(output_3)# 最终的输出的softmax值np.set_printoptions(precision=4)print("最终的预测值向量为: %s"%output_3)

其输出的结果如下:

读取模型中...模型计算中...最终的预测值向量为: [[0.0242 0.6763 0.2995]]

  额,这个输出的预测值向量会是我们的DNN模型的预测值向量吗?这时候,我们就需要回过头来看看Keras入门(一)搭建深度神经网络(DNN)解决多分类问题中的代码了,注意,为了保证数值的可比较性,笔者已经将DNN模型的训练次数改为10次了。让我们来看看原来代码的输出结果吧:

Using model to predict species for features: [[6.1 3.1 5.1 1.1]]Predicted softmax vector is: [[0.0242 0.6763 0.2995]]Predicted species is: Iris-versicolor

Yes,两者的预测值向量完全一致!因此,我们用自己的方法也实现了这个DNN模型的预测功能,棒!

模型加载

  当然,在实际的使用中,我们不需要再用自己的方法来实现模型的预测功能,只需使用Keras给我们提供好的模型导入功能(keras.models.load_model())即可。使用以下Python代码即可加载模型

# 模型的加载及使用 from keras.models import load_model print("Using loaded model to predict...") load_model = load_model("E://logs/iris_model.h5") np.set_printoptions(precision=4) unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32) predicted = load_model.predict(unknown) print("Using model to predict species for features: ") print(unknown) print("Predicted softmax vector is: ") print(predicted) species_dict = {v: k for k, v in Class_dict.items()} print("Predicted species is: ") print(species_dict[np.argmax(predicted)])

输出结果如下:

Using loaded model to predict...Using model to predict species for features: [[6.1 3.1 5.1 1.1]]Predicted softmax vector is: [[0.0242 0.6763 0.2995]]Predicted species is: Iris-versicolor

总结

  本文主要介绍如何利用Keras来实现模型的保存、读取以及加载。  本文将不再给出完整的Python代码,如需完整的代码,请参考Github地址:https://github.com/percent4/Keras_4_multiclass.