TensorFlow 保存和加载不一致

Question

我使用 TensorFlow 训练并保存了一个用于像素分类问题的前馈神经网络，测试准确率为 95%。在这个模型中，每个像素有 11 个特征。当我保存然后加载模型时出现问题。使用我在原始模型中使用的相同输入 X 和 Y，加载模型的准确度几乎为 0%。但我希望得到同样的 95% 的准确率！这是我使用的示例代码：

model = keras.Sequential()
model.add(keras.layers.Flatten(input_shape=(1, 11))) # my input shape (13851000, 11) 
model.add(keras.layers.Dense(32, activation = 'relu'))
model.add(keras.layers.Dense(7))
model.summary()
optim = tf.keras.optimizers.Adam(learning_rate=0.01, beta_1=0.9,
                                     beta_2=0.999, epsilon=1e-07,
                                     amsgrad=False, name='Adam') 

call1 = tf.keras.callbacks.EarlyStopping(
    monitor='val_loss', min_delta=0, patience=3, verbose=0, mode='auto',
    baseline=None, restore_best_weights=False)

model.compile(optimizer=optim,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
history = model.fit(X_train, Y_train, epochs=100, validation_split = 0.2,
                    callbacks=[call1])

这里是原始模型的准确率：

print('\nTest accuracy:', test_acc)

> Test accuracy: 0.9543394446372986

现在，当我保存并加载模型时：

model.save('saved_model/my_model')
new_model = tf.keras.models.load_model('saved_model/my_model')
loss, acc = new_model.evaluate(X_test,  Y_test, verbose=2)
print('Restored model, accuracy: {:5.2f}%'.format(100*acc))

> 432844/432844 - 439s - loss: 0.1413 - accuracy: 7.2197e-08

如您所见，准确度显着下降。一些附加信息：

info 1： Model.summary() 在两种情况下都返回相同的架构。

info 2: X_test.shape 返回一个形状为 (13851000, 11) 的矩阵，意思是 13851000 个像素，每个像素有 11 个特征

信息 3：我在加载并评估模型时收到以下警告：

WARNING:tensorflow:Model 是用 shape (None, 1, 11) 作为输入 Tensor("flatten_input_4:0", shape=(None, 1, 11), dtype=float32) 构建的，但它是在一个形状不兼容的输入（无，11）。

为了解决这个警告，我将 X_Test、Y_Test 重新调整为 3 维（(13851000, 1, 11), (13851000, 1)）并且警告消失了。但是，我的准确率仍然是 0%。

信息 4： print(tf.__version__) 返回 2.3.0。

信息 5： ls saved_model 返回 my_model 和 ls saved_model\my_model 返回 assets variables saved_model.pb

注意：我正在使用 Windows 10。

Answer 1

如果您对训练数据进行了任何预处理，请确保您对测试数据进行完全相同的预处理。例如，如果您重新调整了训练样本中像素的值，则对测试样本执行相同操作。