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:
- Formato SavedModel (recomendado)
- Formato HDF5 (.h5)
- 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
# 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
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}%")
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}%")
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')
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')
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])
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
- Implementación en producción: priorice el uso del formato SavedModel
- Intercambio multiplataforma: el formato HDF5 es más universal
- Reanudación tras interrupciones de entrenamiento: usar un callback de checkpoint para guardar periódicamente
- Manejo de objetos personalizados:
model.save('custom_model', save_format='tf') - 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
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')
model.save_weights('large_model_weights.h5')