深拷貝一個keras model到python

Question

我想對我的 keras model （稱為model1 ）進行深度復制，以便能夠在 for 循環中使用它，然后為每個 for 循環迭代重新初始化，並使用一個額外的樣本執行fit model。自從執行fit后，我希望能夠在每次迭代后初始化 model（但是我的 model 已修改，我希望它保持原樣，當我使用 load_weights 從路徑加載時）。

我的代碼看起來像：

model1= create_Model()
model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model1.load_weights('my_weights')

model_copy= create_Model()
model_copy.compile(optimizer='rmsprop', loss='categorical_crossentropy')

model_copy= keras.models.clone_model(model1)
for j in range(0, image_size):
      model_copy.fit(sample[j], sample_lbl[j])
      prediction= model_copy.predict(sample[j])

此外，每次在 for 循環中加載 model 對我來說並不是很有效，因為這很耗時。 在我的案例中，我該如何正確地進行深層復制？ 我發布的代碼給出了以下錯誤，涉及 function.fit 和我的參考 model model_copy：

RuntimeError: 你必須在訓練/測試之前編譯一個 model。 使用model.compile(optimizer, loss) 。

Answer 1

這些天是微不足道的：

model2 = tf.keras.models.clone_model(model1)

這將為您提供新模型、新層和新權重。 如果由於某種原因不起作用（我還沒有測試過），這個舊的解決方案將：

model1 = Model(...)
model1.compile(...)
model1.save(savepath) # saves compiled state
model2 = keras.models.load_model(savepath)

Answer 2

問題是在克隆之后可能沒有編譯model_copy。 事實上有一些問題：

1. 顯然克隆不會復制損失函數，優化器信息等。

2. 在編譯之前，您還需要構建模型。

3. 此外，克隆不會復制重量

所以克隆后你需要額外的幾行。 例如，對於10個輸入變量：

model_copy= keras.models.clone_model(model1)
model_copy.build((None, 10)) # replace 10 with number of variables in input layer
model_copy.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model_copy.set_weights(model.get_weights())

---

更簡單的方法1：從文件加載權重

如果我正確理解您的問題，有一種更簡單的方法可以做到這一點。 您不需要克隆模型，只需要保存old_weights並在循環開始時設置權重。 您可以直接從文件加載權重。

for _ in range(10):
    model1= create_Model()
    model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
    model1.load_weights('my_weights')

    for j in range(0, image_size):
          model1.fit(sample[j], sample_lbl[j])
          prediction= model1.predict(sample[j])

---

更簡單的方法2：從之前的get_weights（）加載權重

或者如果您不想從文件加載：

model1= create_Model()
model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model1.load_weights('my_weights')
old_weights = model1.get_weights()

for _ in range(10):
    model1.set_weights(old_weights)
    for j in range(0, image_size):
          model1.fit(sample[j], sample_lbl[j])
          prediction= model1.predict(sample[j])

Answer 3

在 python 中獲取深層副本的一種非常通用的方法是從copy deepcopy進行深度復制：

import copy
model2=copy.deepcopy(model)

將它用於 keras 模型有什么缺點嗎？