학습한 모델 저장 및 불러오기

기업 프로젝트 할 당시 성능 잘나온 모델을 수시로 저장하지 않고 매번 모델을 돌려서 성능을 보여줬던 기억이 난다.

기본적인 학습한 모델 저장 및 불러오는 방법에 대해서 간략하게 알아보자

---

import tensorflow as tf 
import numpy as np

(trainX, trainY), (testX, testY) = tf.keras.datasets.fashion_mnist.load_data()

trainX = trainX / 255.0
testX = testX / 255.0

trainX = trainX.reshape( (trainX.shape[0], 28,28,1) )
testX = testX.reshape( (testX.shape[0], 28,28,1) )

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape = (28,28,1)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax'),
])

model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(trainX, trainY, validation_data=(testX, testY), epochs=3)

epoch를 3번 진행한 모델을 저장해보자

# 모델 저장하기
model.save('new_folder/model1')

경로/저장할 이름 방식으로 코드를 통해 model 저장 가능

---

저장한 모델을 불러와보자

# 모델불러오기
load_model = tf.keras.models.load_model('new_folder/model1')
load_model.summary()
model.evaluate(testX,testY)

이후 evaluate를 통해 같은 데이터를 넣어 성능을 평가해보면

위에 저장한 모델과 같은 성능(0.8712)의 accuracy를 확인

 

해당 과정은 모델의 layer부터 가중치 등의 모든 요소를 전부 불러오는 방법이다.

---

모델의 가중치만 저장하고 새로 만든 모델에 가중치만 적용시켜 학습을 계속시키는 방법을 활용하기위해 weight만 load해보자

# 모델의 weight만 저장하기
import tensorflow as tf 
import numpy as np

(trainX, trainY), (testX, testY) = tf.keras.datasets.fashion_mnist.load_data()

trainX = trainX / 255.0
testX = testX / 255.0

trainX = trainX.reshape( (trainX.shape[0], 28,28,1) )
testX = testX.reshape( (testX.shape[0], 28,28,1) )

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape = (28,28,1)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax'),
])
callback = tf.keras.callbacks.ModelCheckpoint(
    filepath = 'checkpoint/mnist', #mnist(epoch)
    monitor = 'val_acc',
    mode='max'
    save_weights_only = True,
    save_freq = 'epoch'
)
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(trainX, trainY, validation_data=(testX, testY), epochs=3, callbacks = [callback])

callback 함수에서

filepath - 저장경로를 설정하고 checkpoint/mnist{epoch}를 통해 epoch마다 저장되는 모든 가중치를 저장가능(설정안하면 덮어쓰기)

monitor - val_acc를 통해 validation data의 acc 성능을기준으로 저장

mode - 'max'를 통해 최대값 저장

save_weigths_only - 를 통해 가중치만 저장하도록 설정

save_freq - epoch 설정으로 각 epoch마다 가중치 저장

 

이후 학습부분에 callback 함수를 불러오면 다음과 같이 가중치가 저장

이제 새로 model2를 만들고 학습한 가중치를 불러와 모델에 적용시키면 위에 val_acc 0.8650과 같은 값이 나와야한다.

model2 = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape = (28,28,1)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax'),
])
model2.summary()
model2.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model2.load_weights('checkpoint/mnist')
model2.evaluate(testX,testY)

같게 나왔다!

 

---

인공지능, 머신러닝 분야에서 협업이나 개발에서 아주 자주 쓰일 코드라고 생각된다. 생각 안날때마다 보려와서 익히는게 좋을 것 같다.