MLFlow:如何負載模型的結果和繼續訓練

[Tilo]

我想繼續/整合培訓現有keras / tensorflow模型。

我們使用MLFlow存儲模型。我怎麼能裝載重量從現有的模型到模型和繼續“適合”比有不同的學習速率。

隻加載模型失敗和錯誤,PyFuncModel不提供屬性和方法。

[匿名 · Accepted solution]

@Tilo希望

繼續培訓現有存儲在MLFlow Keras / TensorFlow模型,您需要遵循以下步驟:

1. 使用mlflow.keras從MLFlow加載模型。load_model方法。

進口mlflow。keras模型= mlflow.keras.load_model (“model_uri”)

1. 凍結層的加載模型,你不想再培訓。

在模型層。層[5]:層。可訓練的= False

在這個例子中,過去的五層可訓練的和剩下的層會被凍結。

1. 編譯所需的學習速率和優化模型。

從tensorflow.keras。優化器優化進口亞當亞當(lr = 0.0001) = model.compile (=“categorical_crossentropy”損失,優化器=優化,指標=(“準確性”))

在這個例子中,學習速率設置為0.0001和亞當優化器使用。

1. 繼續訓練模型與新數據。使用合適的方法來繼續訓練模型。

模型。適合(new_X_train new_y_train時代= 10,batch_size = 32, validation_data = (X_val y_val))

在這個例子中,模型訓練了10批大小的時代32。

通過這些步驟,你應該能夠加載一個現有Keras / TensorFlow模型存儲在MLFlow並繼續訓練不同的學習速率。

[Orianh]

基本上你覆蓋所有所需要的培訓模式。

好提的一件事是,如果@Tilo希望使用DBR運行時12。x .mlflow更新到版本2。如果使用mlflow.keras x,拋出一個錯誤。(沒有mlflow.keras模組名稱)

在我看來都是一樣的,隻是使用mlflow.tensorflow。load_model相反

[Vidula_Khanna]

嗨@Tilo希望

希望一切都好!隻是想檢查如果你能解決你的問題,你會很高興分享解決方案或答案標記為最佳?其他的請讓我們知道如果你需要更多的幫助。

我們很想聽到你的聲音。

謝謝!