Python 如何在theano中保存/序列化经过培训的模型？

我将模型保存为上的文档

ca

是一种经过培训的自动编码器。它是类的一个实例。从构建和保存模型的脚本中，我可以调用

ca.get\u recoverted\u input（…）

和

ca.get\u hidden\u values（…）

，没有任何问题

在另一个脚本中，我尝试加载经过训练的模型

# loading the trained model
model_file = file('models/simple_model.save', 'rb')
ca = cPickle.load(model_file)
model_file.close()

我收到以下错误

AttributeError:“模块”对象没有属性“cA”

---

执行取消pickle的脚本需要知道pickle对象的所有类定义。在其他StackOverflow问题（例如）中有更多关于这一点的内容

只要正确导入

cA

，您的代码就是正确的。考虑到你得到的错误，情况可能并非如此。确保您使用的是来自cA导入cA的

，而不仅仅是
导入cA

或者，您的模型由其参数定义，因此您可以只对参数值进行pickle）。这可以通过两种方式完成，具体取决于您的观点

保存文件，无共享变量。这里我们假设
ca.params
是一个无共享变量实例的常规Python列表

cPickle.dump(ca.params, f, protocol=cPickle.HIGHEST_PROTOCOL)


保存存储在Theano共享变量中的numpy数组

cPickle.dump([param.get_value() for param in ca.params], f, protocol=cPickle.HIGHEST_PROTOCOL)


要加载模型时，需要重新初始化参数。例如，创建
cA
类的新实例，然后

ca.params = cPickle.load(f)
ca.W, ca.b, ca.b_prime = ca.params

或

请注意，您需要同时设置
params
字段和单独的参数字段。
保存模型的另一种方法是保存其权重和结构，然后加载相同的内容，就像我们对列车前CNN所做的那样：

def save_model(model):


   model_json = model.to_json()
   open('cifar10_architecture.json', 'w').write(model_json)
   model.save_weights('cifar10_weights.h5', overwrite=True)

source/ref:rescale/
我看到的错误是因为我使用的是
import cA
而不是
from cA import cA
。我发布的代码在其他方面是正确的。你的选择也是正确的。我认为关闭此线程最干净的方法是在第一段中添加一些内容（确定问题的真正根源），如“确保您使用的是cA import cA

的

，而不仅仅是
import cA
”，我可以将您的答案标记为已接受。谢谢对我来说，从cpickle加载模型和编译模型一样慢。据我所知，非常重要的是要知道这个pickle文件基本上会绑定到相同的硬件，至少你不能在基于cpu的Theano上加载基于cuda的模型。我非常惊讶地发现，在不同的硬件之间传输学习的网络是一项不平凡的任务。学习的网络只需要经过训练的参数。您不需要对编译后的Theano函数进行pickle。事实上，出于你给出的理由，最好避免这样做。最好是简单地pickle模型参数（作为numpy数组，而不是无共享变量），然后将其加载回编译的任何形式的网络（即CPU或GPU版本）。@DanielRenshaw应该可以使用
Theano.misc.pkl_utils.dump（）
和
Theano.misc.pkl_utils.load（）
进行序列化/反序列化。
ca.params = cPickle.load(f)
ca.W, ca.b, ca.b_prime = ca.params

ca.params = [theano.shared(param) for param in cPickle.load(f)]
ca.W, ca.b, ca.b_prime = ca.params

def save_model(model):


   model_json = model.to_json()
   open('cifar10_architecture.json', 'w').write(model_json)
   model.save_weights('cifar10_weights.h5', overwrite=True)