Tensorflow 2.3 保存和加载模型的问题答案

【问题标题】：Tensorflow 2.3 problems with saving and loading modelTensorflow 2.3 保存和加载模型的问题
【发布时间】：2021-08-04 05:58:14
【问题描述】：

所以昨天我用model.save('path')保存模型后，今天才发现tf 2.3和keras保存模型有问题。该问题已在此处描述：Keras giving low accuracy after loading model。但是接受的解决方案对我没有帮助。当我使用model = tf.keras.models.load_model('path') 加载模型时，它返回的测试准确度比保存之前要低。使用

model.compile(optimizer = SGD(lr = 1e-3, momentum = 0.9, decay = 1e-6), #RMSProp
             loss = 'binary_crossentropy',
             metrics = ['sparse_categorical_accuracy'])

没有帮助，因为在保存模型之前，我使用了“准确度”而不是“稀疏分类准确度”，现在在尝试训练或测试模型时出现以下错误：

InvalidArgumentError:  Can not squeeze dim[1], expected a dimension of 1, got 2
     [[node Squeeze (defined at <ipython-input-34-11b07af8f987>:4) ]] [Op:__inference_test_function_363481]

Function call stack:
test_function

所以现在我的问题是：有什么方法可以加载我保存的模型并获取保存的状态，还是我需要再次从零开始训练？

【问题讨论】：

标签： python tensorflow keras neural-network

【解决方案1】：

当您在训练期间使用 metrics = ["accuracy"] 时，TensorFlow 会自动为您的损失函数获取正确的准确度。
"sparse_categorical_crossentropy" 的准确度指标是 "sparse_categorical_accuracy"。在您的情况下，"binary_crossentropy" 的准确度指标是 "binary_accuracy"。

在此处查看所有指标：https://www.tensorflow.org/api_docs/python/tf/keras/metrics/

始终按照数据所需的精度编译模型。

model.compile(optimizer = SGD(lr = 1e-3, momentum = 0.9, decay = 1e-6),
             loss = 'binary_crossentropy',
             metrics = ['binary_accuracy'])

【讨论】：

有道理，谢谢，遗憾的是它没有解决我的问题，我仍然没有得到正确的准确性:(

【解决方案2】：

虽然听起来很简单，但您是否在加载模型后检查了输入数据？它的预处理方式是否与训练期间完全相同？

最常见：规范化和预取

如您所述，使用非标准化数据测试加载的模型（在接受标准化训练之后）将导致性能不佳。

根据我的经验，即使使用 CustomMaskWarning，以下内容也有效。

# Saving
model.save(path)
# Loading
model = tf.keras.models.load_model(path)

# for only saving weights
model.save_weights(path)
# loading weights
model = create_model()  # create exactly the same model as trained
model.load_weights(path)

（如果您有 CustomMaskWarning 并且没有通过覆盖 get_config 和设置配置来解决问题，“.h5”格式会导致问题。）

【讨论】：