Guardado y carga de modelos de TensorFlow

En proyectos de aprendizaje automático y aprendizaje profundo, el guardado y la carga de modelos es un aspecto crucial.

TensorFlow proporciona múltiples formas de guardar y restaurar modelos, lo que permite a los desarrolladores:

  • Guardar modelos entrenados para uso posterior
  • Compartir modelos con otros desarrolladores
  • Reanudar el entrenamiento desde checkpoints
  • Implementar modelos en entornos de producción

TensorFlow 2.x admite principalmente tres formatos de guardado de modelos:

  1. Formato SavedModel (recomendado)
  2. Formato HDF5 (.h5)
  3. Formato Keras heredado

Guardar el modelo completo

Formato SavedModel

SavedModel es el formato de guardado de modelos recomendado por TensorFlow; contiene toda la información del modelo:

Ejemplo

import tensorflow as tf

# Crear y entrenar un modelo simple
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)

# Guardar en formato SavedModel
model.save('my_model')  # Nota: sin extensión de archivo

Estructura del directorio después de guardar:

my_model/
├── assets/
├── variables/
│   ├── variables.data-00000-of-00001
│   └── variables.index
└── saved_model.pb

Formato HDF5

HDF5 es otro formato de guardado de modelos comúnmente utilizado:

Ejemplo

# Guardar en formato HDF5
model.save('my_model.h5')  # Nota la extensión .h5

Diferencias entre los dos formatos

Característica SavedModel HDF5
Incluye objetos personalizados Sí Requiere configuración adicional
Incluye estado del optimizador Sí Opcional
TensorFlow Serving Soporte nativo No compatible
Tamaño del archivo Más grande Más pequeño

Cargar el modelo completo

Cargar desde SavedModel

Ejemplo

# Cargar desde SavedModel
loaded_model = tf.keras.models.load_model('my_model')

# Verificar el modelo
loss, acc = loaded_model.evaluate(x_test, y_test, verbose=2)
print(f"Restored model, accuracy: {100*acc:.1f}%")

Cargar desde archivo HDF5

Ejemplo

# Cargar desde archivo HDF5
loaded_model = tf.keras.models.load_model('my_model.h5')

# Verificar el modelo
loss, acc = loaded_model.evaluate(x_test, y_test, verbose=2)
print(f"Restored model, accuracy: {100*acc:.1f}%")

Guardado y carga selectivos

Guardar solo los pesos

Ejemplo

# Guardar pesos
model.save_weights('my_model_weights')

# Guardar pesos en formato HDF5
model.save_weights('my_model_weights.h5')

Cargar pesos

Ejemplo

# Crear un modelo con la misma arquitectura
new_model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
new_model.compile(optimizer='adam',
                loss='sparse_categorical_crossentropy',
                metrics=['accuracy'])

# Cargar pesos
new_model.load_weights('my_model_weights')

# O para archivos .h5
new_model.load_weights('my_model_weights.h5')

Guardar checkpoints de bucles de entrenamiento personalizados

Ejemplo

# Crear un callback de checkpoint
checkpoint_path = "training_1/cp.ckpt"
cp_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_path,
    save_weights_only=True,
    verbose=1)

# Entrenar el modelo usando el callback
model.fit(x_train, y_train,
          epochs=10,
          callbacks=[cp_callback])

Mejores prácticas para guardar y cargar modelos

  1. Implementación en producción: priorice el uso del formato SavedModel
  2. Intercambio multiplataforma: el formato HDF5 es más universal
  3. Reanudación tras interrupciones de entrenamiento: usar un callback de checkpoint para guardar periódicamente
  4. Manejo de objetos personalizados:
    model.save('custom_model', save_format='tf')
  5. Control de versiones de modelos: crear diferentes directorios para diferentes versiones del modelo

Problemas comunes y soluciones

Problemas al guardar capas/modelos personalizados

Ejemplo

# Ejemplo de capa personalizada
class CustomLayer(tf.keras.layers.Layer):
    def __init__(self, units=32, **kwargs):
        super().__init__(**kwargs)
        self.units = units
   
    def build(self, input_shape):
        self.w = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="random_normal",
            trainable=True)
   
    def call(self, inputs):
        return tf.matmul(inputs, self.w)
   
    def get_config(self):
        config = super().get_config()
        config.update({"units": self.units})
        return config

# Usar capa personalizada y guardar
model = tf.keras.Sequential([CustomLayer(10)])
model.compile(optimizer='adam', loss='mse')
model.save('custom_model')  # La capa personalizada se guardará automáticamente

Problemas de compatibilidad entre versiones

  • Intente usar la misma versión de TensorFlow para guardar y cargar modelos
  • Para entornos de producción, considere usar TensorFlow Serving para evitar problemas de versiones

Optimización del guardado de modelos grandes

Ejemplo

# Usar save_weights en lugar de save para reducir el tiempo de guardado
model.save_weights('large_model_weights.h5')
Otras extensiones