TF2.0使用预训练网络与模型存取
前言：
Tensorflow2.0的keras中为我们封装了许多优秀的模型结构，并且这些模型结构基于imagenet数据集已经trian好，我们可以直接拿来使用，非常方便；这样做的最大好处可以解决训练集不足的问题。
常见预训练网络(基于ImageNet):
-
使用预训练网络
TF2.0中的预训练网络都在包tf.keras.applications中，以VGG16为例：
"""
include_top----表示是否包含全连接层及其输出层
weights='imagenet'-------表示使用网络的默认参数
pooling=None------表示最后一层是否包含Garoupmaxpool
"""
con_base = tf.keras.applications.VGG16(include_top = False,weights = "imagenet",pooling = "max")
model = tf.keras.Sequential([con_base,
tf.keras.layers.Dense(512,activation = 'relu'),
tf.keras.layers.Dense(1,activation = 'sigmoid')
])
#设置预训练网络con_base的参数不会发生改变
con_base.trainable = False
#开始训练
model.compile(optimizer = tf.keras.optimizers.Adam(),
loss = tf.keras.losses.binary_crossentropy,
metrics=["acc"])-
模型检查点保存与恢复
方式一：
"""
保存模型方式五：
自定义训练保存模型
"""
"""
第一步：创建检查点保存路径
"""
cp_dir = "F:\MachineLearnDatas\model_save\custom_train_save"
cp_profix = os.path.join(cp_dir,"ckpt")
"""
第二步：创建模型检查点对象
"""
check_point = tf.train.Checkpoint(optimizer = optimizers,
model = model)
"""
第三步：在自定义训练函数中保存检查点
"""
if step % 2 == 0:
check_point.save(file_prefix = cp_profix)若模型在训练过程中，出现中断，使用下列方法提取最新检查点，并从该检查开始继续训练，代码如下：
"""
第一步：提取最新的检查点
"""
latestnew_checkpoint = tf.train.latest_checkpoint(cp_dir)
"""
第二步：创建模型检查点对象
注意：这个optimizers与model属于新创建的，还没有加载参数.
"""
check_point = tf.train.Checkpoint(optimizer = optimizers,
model = model)
"""
第三步：开始恢复到最新检查点处
"""
check_point.restore(latestnew_checkpoint)方式二（通过checkpointManager）：
保存检查点：
""
第一步：
创建检查点对象，并将模型（参数）、优化器等配置到检查点对象中
""
ckpt = tf.train.Checkpoint(step=tf.Variable(1), optimizer=opt, net=net, iterator=iterator)
""
第二步：
创建检查点管理器对象，它可以帮我们管理检查点对象
""
manager = tf.train.CheckpointManager(ckpt, './tf_ckpts', max_to_keep=3)
""
第三步：
在训练函数中，设置多少轮保存一下检查点,返回值为保存路径
""
save_path = manager.save()恢复检查点：
""
第一步：
创建优化器、模型对象
""
opt = tf.keras.optimizers.Adam(0.1)
net = Net()
""
第二步：
创建检查点、检查点管理器对象
""
ckpt = tf.train.Checkpoint(step=tf.Variable(1), optimizer=opt, net=net, iterator=iterator)
manager = tf.train.CheckpointManager(ckpt, './tf_ckpts', max_to_keep=3)
""
第三步：
在训练前，恢复检查点
""
ckpt.restore(manager.latest_checkpoint)
最后：
""
另外检查点对象含有一个全局变量step
在训练中动态修改step的值
""
ckpt.step.assign_add(1)
""
获取该值,恢复检查点成功与否，也可以通过查看该值得知
""
int(ckpt.step)
""
打印最新的3个检查点
""
print(manager.checkpoints) -
模型存取
"""
保存模型方式一：
tf.keras提供了使用HDF5标准提供基本的保存格式
这种方法保存了以下内容：
1）模型权重值
2）模型结构
3）模型/优化器配置
"""
model.save("F:/MachineLearnDatas/model_save/traditional_save/my_model.h5")
#将模型加载出来---可以直接进行预测
save_model = tf.keras.models.load_model("F:/MachineLearnDatas/model_save/traditional_save/my_model.h5")"""
保存模型方式二：
仅仅保存模型结构----这种方式要将模型结构保存成json格式，仅仅保存模型的结构，优化器、损失函数都未指定
"""
model_jsons = model.to_json()
#将该json文件写入到磁盘
with open("F:/MachineLearnDatas/model_save/traditional_save/model_structure.json","w") as my_writer:
my_writer.write(model_jsons)
#将以json文件保存的结构加载出来
with open("F:/MachineLearnDatas/model_save/traditional_save/model_structure.json","r") as my_reader:
model_structure = my_reader.read()
new_model_structure = tf.keras.models.model_from_json(model_structure)"""
保存方式三：
仅保存权重，有时我们只需要保存模型的状态（其权重值），而对模型架构不感兴趣。在这种情况下，
可以通过get_weights()获取权重值，并通过set_weights()设置权重值
"""
model_weights = model.get_weights()
#使用第二种模式只加载出模型的结构
new_model_structure2 = tf.keras.models.model_from_json(model_structure)
new_model_structure2.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
#测试该模型的分数，即训练程度
new_model_structure2.evaluate(test_images,test_labels)
new_model_structure2.set_weights(model_weights)"""
保存方式四：
在训练过程中，保存检查点，在训练期间或者训练结束的时候自动保存检查点。这样一来，在训练中断了后，
可以从该检查点继续向下训练。
使用的回调函数：tf.keras.callbacks.ModelCheckpoint()
"""
checkpoint_path = "F:/MachineLearnDatas/model_save/traditional_save/cp.ckpt"
check_point_callback = tf.keras.callbacks.ModelCheckpoint(filepath = checkpoint_path,
save_weights_only = True)
#添加fit的callbacks中，这步切记不能忘，这样在训练的时候可以自动帮我们保存参数的检查点
model2.fit(dataset, epochs=5, steps_per_epoch=steps_per_epoch,callbacks=[check_point_callback])
"""
加载检查点，继续开始训练
"""
#加载检查点的权重
new_model_structure3.load_weights(checkpoint_path)
new_model_structure3.evaluate(test_images,test_labels)2020年9月21日，记住这一天，机会一定只会留给有准备的人，加油！