Tensorflow——keras model.save() raise NotImplementedError

Question

import tensorflow as tf 

mnist = tf.keras.datasets.mnist 

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

x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)

model = tf.keras.models.Sequential()

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))

model.compile(optimizer ='adam',
            loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3)

当我试图保存模型时

model.save('epic_num_reader.model')

我得到一个 NotImplementedError：

NotImplementedError                       Traceback (most recent call last)
<ipython-input-4-99efa4bdc06e> in <module>()
      1 
----> 2 model.save('epic_num_reader.model')

NotImplementedError: Currently `save` requires model to be a graph network. Consider using `save_weights`, in order to save the weights of the model.

那么如何保存代码中定义的模型呢？

Answer 1

你忘记了第一层定义中的input_shape参数，导致模型未定义，保存未定义模型尚未实现，触发错误。

model.add(tf.keras.layers.Flatten(input_shape = (my, input, shape)))

只需将input_shape 添加到第一层，它应该可以正常工作。

Answer 2

如果按照 Matias 的建议还是没有解决问题，可以考虑使用tf.keras.models.save_model() 和load_model()。就我而言，它奏效了。

Answer 3

tf.keras.models.save_model

在此处工作（tensorflow 1.12.0）（即使未指定 input_shape）

Answer 4

错误原因：

我遇到了同样的错误并尝试了上述答案，但得到了错误。但我找到了解决问题的方法，我将在下面分享：

在定义模型的输入层时检查是否传递了input_shape，如果没有，在保存和加载模型时会报错。

如何定义input_shape？

让我们考虑一个例子，如果你使用 minst 数据集：

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

它由手写数字 0-9 的图像组成，每个图像的分辨率为 28 x 28。 为此，我们可以将输入形状定义为 (28,28)，而无需提及批量大小，如下所示：

model.add(tf.keras.layers.Flatten(input_shape=(28,28)))

通过这种方式，您可以通过查看输入训练数据集来给出输入形状。

保存训练好的模型：

现在在训练和测试模型之后，我们可以保存我们的模型。以下代码对我有用，它在重新加载模型后也没有改变准确性：

使用 save_model()

import tensorflow as tf    
tf.keras.models.save_model(
    model,
    "your_trained_model.model",
    overwrite=True,
    include_optimizer=True
) 

使用 .save()

your_trained_model.save('your_trained_model.model')

del model  # deletes the existing model

现在加载我们保存的模型：

model2 = tf.keras.models.load_model("your_trained_model.model")

更多详情请参考此链接：Keras input explanation: input_shape, units, batch_size, dim, etc

Answer 5

<!-- Success, please check -->

import tensorflow as tf
import matplotlib.pyplot as plt

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
plt.imshow(x_train[0], cmap=plt.cm.binary)
x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)

plt.imshow(x_train[0], cmap=plt.cm.binary)

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=x_train[0].shape))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3)

val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)
model.save('epic_num_reader.model')