theano学习之模型的保存和提取

今天学习如何保存神经网络，以方便日后可以直接提取使用。

保存的方式是我们可以先把神经网络的参数，比如说 weights 还有 bias 保存起来，再重新定义神经网络的结构，使用模型的时候需要把参数 set 到结构中去。

保存和提取的方法是利用 shared 变量的 get 功能，拿出变量值保存到文件中去，下一次再定义 weights 和 bias 的时候，可以直接把保存好的值放到 shared variable 中去。

import numpy as np
import theano
import theano.tensor as T
import pickle  #该模块用来存储文件

#---------------------模型-------------------------#
def compute_accuracy(y_target, y_predict):
    correct_prediction = np.equal(y_predict, y_target)
    accuracy = np.sum(correct_prediction)/len(correct_prediction)
    return accuracy

rng = np.random

# set random seed
np.random.seed(100)

N = 400
feats = 784

# generate a dataset: D = (input_values, target_class)
D = (rng.randn(N, feats), rng.randint(size=N, low=0, high=2))

# Declare Theano symbolic variables
x = T.dmatrix("x")
y = T.dvector("y")

# initialize the weights and biases
w = theano.shared(rng.randn(feats), name="w")
b = theano.shared(0., name="b")

# Construct Theano expression graph
p_1 = 1 / (1 + T.exp(-T.dot(x, w) - b))
prediction = p_1 > 0.5
xent = -y * T.log(p_1) - (1-y) * T.log(1-p_1)
cost = xent.mean() + 0.01 * (w ** 2).sum()
gw, gb = T.grad(cost, [w, b])

# Compile
learning_rate = 0.1
train = theano.function(
          inputs=[x, y],
          updates=((w, w - learning_rate * gw), (b, b - learning_rate * gb)))
predict = theano.function(inputs=[x], outputs=prediction)

# Training
for i in range(500):
    train(D[0], D[1])

#把所有的参数放入 save 文件夹中，命名文件为 model.pickle，以 wb 的形式打开并把参数写入进去。

#定义 model＝[] 用来保存 weights 和 bias，这里用的是 list 结构保存，也可以用字典结构保存，提取值时用 get_value() 命令。

#再用 pickle.dump 把 model 保存在 file 中。

#可以通过 print(model[0][:10]) 打印出保存的 weights 的前 10 个数，方便后面提取模型时检查是否保存成功。还可以打印 accuracy 看准确率是否一样。

#保存模型
with open('data/model.pickle', 'wb') as file:
    model = [w.get_value(), b.get_value()]
    pickle.dump(model, file)
    print(model[0][:10])
    print("accuracy:", compute_accuracy(D[1], predict(D[0])))

#提取模型
#接下来提取模型时，提前把代码中 # Training 和 # save model 两部分注释掉，即相当于只是通过 创建数据－建立模型－激活模型 构建好了新的模型结构，下面要通过调用存好的参数来进行预测。
#以 rb 的形式读取 model.pickle 文件加载到 model 变量中去，然后用 set_value 命令把 model 的第 0 位存进 w，第 1 位存进 b 中。同样可以打印出 weights 的前 10 位和 accuracy，来对比之前的结果，可以发现结果完全一样。
with open('data/model.pickle','rb')as file:
    model = pickle.load(file)
    w.set_value(model[0])
    b.set_value(model[1])
    print(w.get_value()[:10])
    print("accuracy:", compute_accuracy(D[1], predict(D[0])))

结果：

来源

theano学习之模型的保存和提取

猜你喜欢