0
votes

Comment économiser un modèle dans Tensorflow?

Bonjour, j'utilise des poids concernés pour une tâche de classification d'image. J'utilise TensorFlow Version 1.14.0, j'utilise Mobilenetv1_050_224 pour cette tâche à partir de la tâche suivante Source .

export_path = '/tmp/simple_keras_model.h5'
classifier.save(export_path, save_format='h5')


1 commentaires

Pouvez-vous supprimer la partie \ TMP du chemin, il suffit d'utiliser simple_keras_model.h5 et essayez de l'enregistrer.


3 Réponses :


0
votes

Vous pouvez enregistrer le classificateur par code> par xxx pré>

puis le modèle enregistré peut être chargé par p>

from keras.models import model_from_json

with open("model.json", "r") as f:
    classifier = model_from_json(f.read())
classifier.load_weights("model_weights.h5")


4 commentaires

Je reçois la même erreur au-dessus de cette ligne: Model_file = classificateur.to_json ()


Désolé, je pensais que c'était la façon de sauvegarder le modèle provoque le problème. Je ne connais pas hub , je suppose que le problème est classificateur n'est pas construit correctement par hub .


Je pense que je connais le problème. La chose est que j'utilise hub.keraslayer () avec un module de moyeu comme hub.load (classifier_url). Cependant, il est indiqué dans la documentation que: Gérer: un objet appelable (sous réserve des conventions ci-dessus) ou une chaîne Python pour laquelle hub.load renvoie une telle appelable. Une chaîne est nécessaire pour enregistrer la configuration Keras de cette couche. Donc, inonder pour enregistrer le modèle dont j'ai besoin de transmettre la chaîne au module hub.keraslayer () pas de moyeu.


J'ai trouvé un NOREFERRER "> "Rapport sur le même problème que vous rencontrez, ainsi que ce Post



0
votes

Que diriez-vous de cela? XXX

Source


0 commentaires

0
votes

tel qu'il est mentionné dans lien , seuls les modules de moyeu compatibles TF2 fonctionnent avec hub.keras.

Mais peut utiliser SavedModel pour l'enregistrer. Veuillez vous reporter à cette lien sur la façon de Utilisez API SavedModel


0 commentaires