如何保存最佳的hyperopt优化的keras模型及其权重？

Question

我使用hyperopt优化了我的keras模型。现在，我们如何将最佳优化的keras模型及其权重保存到磁盘。

我的代码：

from hyperopt import fmin, tpe, hp, STATUS_OK, Trials
from sklearn.metrics import roc_auc_score
import sys

X = []
y = []
X_val = []
y_val = []

space = {'choice': hp.choice('num_layers',
                    [ {'layers':'two', },
                    {'layers':'three',
                    'units3': hp.uniform('units3', 64,1024), 
                    'dropout3': hp.uniform('dropout3', .25,.75)}
                    ]),

            'units1': hp.choice('units1', [64,1024]),
            'units2': hp.choice('units2', [64,1024]),

            'dropout1': hp.uniform('dropout1', .25,.75),
            'dropout2': hp.uniform('dropout2',  .25,.75),

            'batch_size' : hp.uniform('batch_size', 20,100),

            'nb_epochs' :  100,
            'optimizer': hp.choice('optimizer',['adadelta','adam','rmsprop']),
            'activation': 'relu'
        }

def f_nn(params):   
    from keras.models import Sequential
    from keras.layers.core import Dense, Dropout, Activation
    from keras.optimizers import Adadelta, Adam, rmsprop

    print ('Params testing: ', params)
    model = Sequential()
    model.add(Dense(output_dim=params['units1'], input_dim = X.shape[1])) 
    model.add(Activation(params['activation']))
    model.add(Dropout(params['dropout1']))

    model.add(Dense(output_dim=params['units2'], init = "glorot_uniform")) 
    model.add(Activation(params['activation']))
    model.add(Dropout(params['dropout2']))

    if params['choice']['layers']== 'three':
        model.add(Dense(output_dim=params['choice']['units3'], init = "glorot_uniform")) 
        model.add(Activation(params['activation']))
        model.add(Dropout(params['choice']['dropout3']))    

    model.add(Dense(1))
    model.add(Activation('sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer=params['optimizer'])

    model.fit(X, y, nb_epoch=params['nb_epochs'], batch_size=params['batch_size'], verbose = 0)

    pred_auc =model.predict_proba(X_val, batch_size = 128, verbose = 0)
    acc = roc_auc_score(y_val, pred_auc)
    print('AUC:', acc)
    sys.stdout.flush() 
    return {'loss': -acc, 'status': STATUS_OK}


trials = Trials()
best = fmin(f_nn, space, algo=tpe.suggest, max_evals=100, trials=trials)
print 'best: '
print best

Answer 1

Trials类对象存储了许多与 hyperopt 每次迭代相关的相关信息。我们也可以要求这个对象保存训练好的模型。您必须在代码库中进行一些小的更改才能实现这一点。

-- return {'loss': -acc, 'status': STATUS_OK}
++ return {'loss':loss, 'status': STATUS_OK, 'Trained_Model': model}

注意： 'Trained_Model' 只是一个键，您可以使用任何其他字符串。

best = fmin(f_nn, space, algo=tpe.suggest, max_evals=100, trials=trials)
model = getBestModelfromTrials(trials)

从试验对象中检索经过训练的模型：

import numpy as np
from hyperopt import STATUS_OK
def getBestModelfromTrials(trials):
    valid_trial_list = [trial for trial in trials
                            if STATUS_OK == trial['result']['status']]
    losses = [ float(trial['result']['loss']) for trial in valid_trial_list]
    index_having_minumum_loss = np.argmin(losses)
    best_trial_obj = valid_trial_list[index_having_minumum_loss]
    return best_trial_obj['result']['Trained_Model']

注意：我在 Scikit-Learn 课程中使用了这种方法。

Answer 2

返回f_nn模型。

def f_nn(params):
    # ...
    return {'loss': -acc, 'status': STATUS_OK, 'model': model}

trials这些模型将在下的对象上可用results。我输入了一些样本数据并print(trials.results)吐出

[{'loss': 2.8245880603790283, 'status': 'ok', 'model': <keras.engine.training.Model object at 0x000001D725F62B38>}, {'loss': 2.4592788219451904, 'status': 'ok', 'model': <keras.engine.training.Model object at 0x000001D70BC3ABA8>}]

使用np.argmin找到最小损失，然后使用保存model.save

trials.results[np.argmin([r['loss'] for r in trials.results])]['model']

（旁注，在 C# 中这将是trials.results.min(r => r.loss).model......如果在 Python 中有更好的方法，请告诉我！）

如果您使用 MongoDB，您可能希望在试验对象上使用attachments，因为模型可能非常大：

attachments- 键值对的字典，其键是短字符串（如文件名），其值可能是长字符串（如文件内容），不应在每次访问记录时从数据库加载。（此外，MongoDB 限制正常键值对的长度，因此一旦您的值达到兆字节，您可能必须将其作为附件。）来源。

Answer 3

我不知道如何f_nn显式地将一些变量发送到另一个超级优化目标。但我使用两种方法来完成同一任务。
第一种方法是使用一些全局变量（不喜欢它，因为它不清楚），第二种方法是将指标值保存到文件中，然后读取并与当前指标进行比较。最后一种方法在我看来更好。

def f_nn(params):
    ...
    # I omit a part of the code   
    pred_auc =model.predict_proba(X_val, batch_size = 128, verbose = 0)
    acc = roc_auc_score(y_val, pred_auc)

    try:
        with open("metric.txt") as f:
            min_acc = float(f.read().strip())  # read best metric,
    except FileNotFoundError:
            min_acc = acc  # else just use current value as the best

    if acc < min_acc:
         model.save("model.hd5")  # save best to disc and overwrite metric
         with open("metric.txt", "w") as f:
             f.write(str(acc))

    print('AUC:', acc)
    sys.stdout.flush() 
    return {'loss': -acc, 'status': STATUS_OK}

trials = Trials()
best = fmin(f_nn, space, algo=tpe.suggest, max_evals=100, trials=trials)
print 'best: '
print best

from keras.models import load_model
best_model = load_model("model.hd5")

这种方法有几个优点：您可以将指标和模型放在一起，甚至可以对其应用某些版本或数据版本控制系统 - 这样您就可以在将来恢复实验结果。

编辑
如果先前运行中有一些指标，但您不删除它，则可能会导致意外行为。因此，您可以采用代码 - 优化后删除指标或使用时间戳等来区分您的实验数据。