你能解释一下keras模型中tensorflow加载和hdf5加载之间的区别吗

Question

我试图加载我在训练期间保存的 keras 模型。所以我去了keras 文档，在那里我看到了这个。

从 TensorFlow 格式加载权重时，仅支持拓扑加载 (by_name=False)。请注意，对于从 tf.keras.Model 继承的用户定义类，TensorFlow 和 HDF5 格式之间的拓扑加载略有不同：HDF5 基于权重的扁平列表进行加载，而 TensorFlow 格式则基于属性的对象局部名称进行加载。层在模型的构造函数中分配。

能否请您解释一下上面的内容？

Answer 1

为了清楚起见，让我们考虑两种情况。
情况 1：简单模型，情况 2：使用
继承自的用户定义类的复杂模型。tf.keras.Model

案例 1：简单模型（如 keras 功能模型和顺序模型）

当您保存模型权重（使用model.save_weights）然后加载权重（使用model.load_weights）时，默认情况下该load_weights方法使用拓扑加载。这对于 Tensorflow saving_model ('tf') 格式以及 'h5' 格式是相同的。例如，

loadedh5_model.load_weights('./MyModel_h5.h5') 
# the line above is same as the line below (as second and third arguments are default)
#loadedh5_model.load_weights('./MyModel_h5.h5',by_name=False, skip_mismatch=False)

如果您想加载已保存模型的特定层的权重，则需要使用by_name=True. 有些用例需要这种类型的加载。

loadedh5_model.load_weights('./MyModel_h5.h5',by_name=True, skip_mismatch=False)

案例 2：复杂模型（如 Keras 子类模型）

到目前为止，仅当tf.keras.Model在模型创建中使用继承自的用户定义类时才支持“tf”格式。

从 TensorFlow 格式加载权重时，仅支持拓扑加载 (by_name=False)。请注意，对于从 tf.keras.Model 继承的用户定义类，TensorFlow 和 HDF5 格式之间的拓扑加载略有不同：HDF5 基于权重的扁平列表进行加载，而 TensorFlow 格式则基于属性的对象局部名称进行加载。层在模型的构造函数中分配。

主要原因是权重的h5格式和tf格式的方式。例如，考虑Case 1HDF5 根据权重扁平列表加载的位置。加载重量时没有任何错误。然而，在 中Case 2，模型user defined classes需要不同的方法，而不仅仅是加载扁平权重。为了负责分配自定义类的权重，“tf”格式根据模型构造函数中分配给层的属性的对象本地名称加载权重。

keras网站中提到的以下段落，进一步阐明了

加载 TensorFlow 格式的权重文件时，返回与 tf.train.Checkpoint.restore 相同的状态对象。构建图形时，一旦网络构建完成，恢复操作就会自动运行（第一次调用继承自 Model 的用户定义类时，如果已经构建，则立即运行）。

另一点需要理解的是，kerasFunctional或Sequential模型是层的静态图，可以毫无问题地使用扁平权重。Keras 子类化模型（如我们的案例 2 所示）是一段 Python 代码（一个调用方法）。没有图层图。因此，一旦使用自定义类构建了网络，就会运行恢复操作来更新状态对象。希望能帮助到你。