加载 keras 模型 h5 未知指标答案

【问题标题】：Load keras model h5 unknown metrics加载 keras 模型 h5 未知指标
【发布时间】：2020-12-11 15:22:40
【问题描述】：

我已经训练了一个监控指标的 keras CNN，如下所示：

METRICS = [
  TruePositives(name='tp'),
  FalsePositives(name='fp'),
  TrueNegatives(name='tn'),
  FalseNegatives(name='fn'), 
  BinaryAccuracy(name='accuracy'),
  Precision(name='precision'),
  Recall(name='recall'),
  AUC(name='auc'),
 ]

然后是model.compile：

 model.compile(optimizer='nadam', loss='binary_crossentropy',
         metrics=METRICS)

它完美运行，我保存了我的 h5 模型 (model.h5)。

现在我已经下载了模型，我想在导入模型的其他脚本中使用它：

 from keras.models import load_model
 model = load_model('model.h5')
 model.predict(....)

但在运行期间编译器返回：

 ValueError: Unknown metric function: {'class_name': 'TruePositives', 'config': {'name': 'tp', 'dtype': 'float32', 'thresholds': None}}

我应该如何处理这个问题？

提前谢谢你

【问题讨论】：

你能展示你的全部进口吗？

标签： python keras conv-neural-network

【解决方案1】：

当您有自定义指标时，您需要采用稍微不同的方法。

创建模型、训练和保存模型
使用custom_objects 和compile = False 加载模型
最后用 custom_objects 编译模型

我在这里展示方法

import tensorflow as tf
from tensorflow import keras
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Custom Loss1 (for example) 
#@tf.function() 
def customLoss1(yTrue,yPred):
  return tf.reduce_mean(yTrue-yPred) 

# Custom Loss2 (for example) 
#@tf.function() 
def customLoss2(yTrue, yPred):
  return tf.reduce_mean(tf.square(tf.subtract(yTrue,yPred))) 

def create_model():
  model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(512, activation=tf.nn.relu),  
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation=tf.nn.softmax)
    ])
  model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy', customLoss1, customLoss2])
  return model 

# Create a basic model instance
model=create_model()

# Fit and evaluate model 
model.fit(x_train, y_train, epochs=5)

loss, acc,loss1, loss2 = model.evaluate(x_test, y_test,verbose=1)
print("Original model, accuracy: {:5.2f}%".format(100*acc)) # Original model, accuracy: 98.11%

# saving the model
model.save('./Mymodel',save_format='tf')

# load the model
loaded_model = tf.keras.models.load_model('./Mymodel',custom_objects={'customLoss1':customLoss1,'customLoss2':customLoss2},compile=False)

# compile the model
loaded_model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy', customLoss1, customLoss2])

# loaded model also has same accuracy, metrics and loss
loss, acc,loss1, loss2 = loaded_model.evaluate(x_test, y_test,verbose=1)
print("Loaded model, accuracy: {:5.2f}%".format(100*acc)) #Loaded model, accuracy: 98.11%

【讨论】：

【解决方案2】：

看起来您正在玩 tensorflow 教程。我也使用了这些确切的指标并且遇到了同样的问题。对我有用的是使用compile = False 加载模型，然后使用自定义指标对其进行编译。然后您应该可以按预期使用model.predict(....)。

import keras

model = keras.models.load_model('model.h5', compile = False)

METRICS = [
      keras.metrics.TruePositives(name='tp'),
      keras.metrics.FalsePositives(name='fp'),
      keras.metrics.TrueNegatives(name='tn'),
      keras.metrics.FalseNegatives(name='fn'), 
      keras.metrics.BinaryAccuracy(name='accuracy'),
      keras.metrics.Precision(name='precision'),
      keras.metrics.Recall(name='recall'),
      keras.metrics.AUC(name='auc'),
]

model.compile(optimizer = keras.optimizers.Adam(learning_rate=1e-4),
              loss = 'binary_crossentropy',
              metrics = METRICS
             )

【讨论】：

【解决方案3】：

custom_objects['METRICS'] = METRICS
model = load_model('model.h5', custom_objects=custom_objects)

【讨论】：