Almacenamiento y carga de modelos: pesos y arquitectura

Procedimiento:

1. Guardar la configuración o arquitectura del modelo en un diccionario
2. Cargar la arquitectura en un nuevo modelo (sin pesos)
3. Ir guardando los pesos actualizados en cada epoch
4. Definir directorio donde se guardan los pesos y que parámetros se guardarán

En la documentación de Tensorflow nos dan otra opcion para guardar modelos:

Guardar el Modelo

model.save(‘path_to_my_model.h5’)

Recrea exactamente el mismo modelo solo desde el archivo

new_model = keras.models.load_model(‘path_to_my_model.h5’)

Para no sobre escribir los pesos.

checkpoint_path = os.path.join(WORK_DIRECTORY, 'checkpoints_{epoch:02d}-{val_accuracy:.4f}')
checkpoint_weights = ModelCheckpoint(
    filepath = checkpoint_path,
    frequency = 'epoch',
    save_weights_only = True,
    verbose = 1
)

Creo que es una buena práctica imprimirlos con val_accuracy, porque este es un buen indicador de qué tan buenos son los pesos que estamos guardando.

Hola, si quieren guardar la arquitectura de la red en un documento .json, pueden hacer lo siguiente

import json

with open(os.path.join(WORK_DIRECTORY,'hypermodel_architecture.json'), 'w') as fp:
    json.dump(hypermodel_architecture, fp)

Siendo

os.path.join(WORK_DIRECTORY,'hypermodel_architecture.json')

el lugar donde quiero guardar mi .json e hypermodel_architecture, el diccionario que contiene mi arquitectura.

Si quieren cargar la arquitectura desde el archivo .json:

with open(os.path.join(WORK_DIRECTORY, 'hypermodel_architecture.json' )) as jsn:
  structure = json.load(jsn)

structure, vuelve a ser un diccionario con la arquitectura de la red neuronal que pueden visualizar con:

# Creo un modelo con el diccionario
hypermodel = tf.keras.Sequential.from_config(config=structure)
# Veo el resumen de la arquitectura.
hypermodel.summary()