Keras：在新实验中重用训练过的权重

Posted 2023-03-12

【中文标题】Keras：在新实验中重用训练过的权重

【英文标题】：Keras: Re-use trained weights in a new experiment

【发布时间】：2019-06-27 11:38:32

【问题描述】：

我对 Keras 很陌生，所以对于任何愚蠢的错误，我提前道歉。我目前正在尝试在两个数据集之间尝试一些好的旧跨域迁移学习。我这里有一个在我生成的语音识别数据集上训练和执行的模型（代码在这个问题的底部，因为它很长）

如果我要训练一个新模型，比如在不同的数据集上使用 model_2，那么我会从权重的初始随机分布中获得基线。

我想知道，是否可以训练model_1和model_2，然后，这是我不知道该怎么做的一点；我可以从 model_1 中获取两个 256 和 128 个密集层（具有训练的权重）并将它们用作 model_3 的起点 - 这是数据集 2，初始权重分布来自 model_1？

所以，最后，我有以下几点：

Model_1 从随机分布开始并在 数据集 1 上进行训练 Model_2 从随机分布开始并在 数据集 2 上进行训练 Model_3，它从在 Model_1 中训练的分布开始，并在 数据集 2 上进行训练。

我的问题是，我将如何执行上述第 3 步？我不想冻结权重，我只想从过去的实验中得到一个用于训练的初始分布

任何帮助将不胜感激。谢谢！如果我没有说清楚我要做什么，请道歉

我训练 Model_1 的代码如下：

import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import EarlyStopping
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import KFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
import matplotlib.pyplot as plt
from keras.utils import np_utils
from keras.layers.normalization import BatchNormalization

import time
start = time.clock()



# fix random seed for reproducibility
seed = 1
numpy.random.seed(seed)

# load dataset
dataframe = pandas.read_csv("voice.csv", header=None)
dataset = dataframe.values
# split into input (X) and output (Y) variables
numVars = len(dataframe.columns) - 1
numClasses  =  dataframe[numVars].nunique()
X = dataset[:,0:numVars].astype(float)
Y = dataset[:,numVars]


print("THERE ARE " + str(numVars) + " ATTRIBUTES")
print("THERE ARE " + str(numClasses) + " UNIQUE CLASSES")




# encode class values as integers
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)

# convert integers to dummy variables (i.e. one hot encoded)
dummy_y = np_utils.to_categorical(encoded_Y)


calls = [EarlyStopping(monitor='acc', min_delta=0.0001, patience=100, verbose=2, mode='max', restore_best_weights=True)]

# define baseline model
def baseline_model():
    # create model

    model = Sequential()

    model.add(BatchNormalization())

    model.add(Dense(256, input_dim=numVars, activation='sigmoid'))

    model.add(Dense(128, activation='sigmoid'))

    model.add(Dense(numClasses, activation='softmax'))
    # Compile model
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model


estimator = KerasClassifier(build_fn=baseline_model, epochs=2000, batch_size=1000, verbose=1)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(estimator, X, dummy_y, cv=kfold, fit_params='callbacks':calls)
print("Baseline: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))
#your code here    
print (time.clock() - start)

PS：两个数据集之间的输入属性和输出都将相同，所有会改变的是属性值。我很好奇，如果两个数据集有不同数量的输出类，可以这样做吗？

【参考方案1】：

简而言之，要从 Model_1 微调 Model_3，只需在 model.compile(...) 之后调用 model.load_weights('/path/to/model_1.h5', by_name=True)。当然，你必须先保存训练好的 Model_1。

如果我理解正确，您在两个数据集中具有相同数量的特征和类，因此您甚至不需要重新设计模型。如果您有不同的类集，那么您必须为 Model_1 和 Model_3 的最后一层赋予不同的名称：

model.add(Dense(numClasses, activation='softmax', name='some_unique_name'))

【讨论】：

谢谢，这很有用——我没想到它只是一行！如果输入不同且输出相同，您能否解释上述内容将如何工作？例如。在情感分析中 [pos, neu, neg] 类在两个域之间共享但输入不同？那么有没有办法加载隐藏层权重？

如果你在同一个领域工作（比如 NLP 或图像识别），特征大多保持不变，否则预训练的模型将无用。例如，大多数 NLP 任务都在固定大小的词嵌入上运行。从技术上讲，如果您在输入后使用密集层，则必须创建一个具有相同大小的新层并给它一个不同的名称。但从概念上讲，这没什么意义。