在Python中将TensorFlow模型（集成）保存到一个pickle文件，而不是多个pickle文件

我希望为一个回归问题部署一个50个模型集合，每个模型都是一个Keras.序列神经网络

下面是我的代码的一个（简化为3个模型）版本，运行良好

但是，我不想为每个单独的模型创建一个pickle文件，因此有没有一种方法可以创建一个包含所有模型列表的类，从而导致我只能保存/加载一个pickle文件

from __future__ import absolute_import, division, print_function
import tensorflow as tf
from tensorflow import keras
import pandas as pd
import numpy as np

train = pd.read_csv("Training Data.csv").fillna(0)
X_train = train.drop(['ID_NUMBER','DATE','X','Y','Z'],axis=1)
Y_train = train[['X','Y','Z']]

EPOCHS = 1500
BATCH_SIZE = 256

#Defining the 3 layered Neural Network
def build_model():
    model = keras.Sequential([
    keras.layers.Dense(1000, activation=tf.nn.softplus,
                       input_shape=(X_train.shape[1],)),
    keras.layers.Dense(500, activation=tf.nn.softplus),
    keras.layers.Dense(3)
    ])

    model.compile(loss='mse',optimizer='adam', metrics=['mse'])
    return model

model0 = build_model()
# Store training stats
history0 = model0.fit(X_train, Y_train, epochs=EPOCHS, batch_size=BATCH_SIZE,
                validation_split=0.0, verbose=1)

model1 = build_model()
# Store training stats
history1 = model1.fit(X_train, Y_train, epochs=EPOCHS, batch_size=BATCH_SIZE,
                validation_split=0.0, verbose=1)

model2 = build_model()
# Store training stats
history2 = model2.fit(X_train, Y_train, epochs=EPOCHS, batch_size=BATCH_SIZE,
                validation_split=0.0, verbose=1)

model0.save("model0.pkl")
model1.save("model1.pkl")
model2.save("model2.pkl")

为了做出新的预测，我的代码如下所示：

#Loading Models
model0 = tf.keras.models.load_model("model0.pkl")
model1 = tf.keras.models.load_model("model1.pkl")
model2 = tf.keras.models.load_model("model2.pkl")

#Finding Weights (based on train score)

train_nn_predictions = model0.predict(X_train)
train['X'],train['Y'],train['Z'] = train_nn_predictions[:,0],train_nn_predictions[:,1],train_nn_predictions[:,2]     
nn0 = #training score metric (irrelevant to show how it is calculated here)
print("Average Train Score for Model 0 is:",nn0)

train_nn_predictions = model1.predict(X_train)
train['X'],train['Y'],train['Z'] = train_nn_predictions[:,0],train_nn_predictions[:,1],train_nn_predictions[:,2]     
nn1 = #training score metric (irrelevant to show how it is calculated here)
print("Average Train Score for Model 1 is:",nn1)

train_nn_predictions = model2.predict(X_train)
train['X'],train['Y'],train['Z'] = train_nn_predictions[:,0],train_nn_predictions[:,1],train_nn_predictions[:,2]     
nn2 = #training score metric (irrelevant to show how it is calculated here)
print("Average Train Score for Model 2 is:",nn2)

#Apply the weightings for each of the models
w0,w1,w2 = 1/nn0,1/nn1,1/nn2

#New Predictions
new_record = np.array([my variables])
target_predictions = (w0*model0.predict(new_record)+w1*model1.predict(new_record)+w2*model2.predict(new_record))/(w0+w1+w2)

您可以尝试：

使用层合并所有模型。连接。它将为所有50个模型创建一个输出。有关代码检查的更多详细信息，请参见： 根据：

x=np.arange（20）。重塑（2，2，5）

y=np.arange（20,30）。重塑（2,1,5）

连接（轴=1）（[x，y]）

使用KerasPickleWrapper来腌制它 您可以尝试：

使用层合并所有模型。连接。它将为所有50个模型创建一个输出。有关代码检查的更多详细信息，请参见： 根据：

x=np.arange（20）。重塑（2，2，5）

y=np.arange（20,30）。重塑（2,1,5）

连接（轴=1）（[x，y]）

使用KerasPickleWrapper来腌制它

---

有没有办法创建一个包含模型列表的类？对这容易吗？不需要。您最好只编写几个函数包装加载/保存操作，并将所有pickle保存在一个单独的文件夹中。Smth simple可以做到，比如

def save_models（model_list，folder）：对于idx，枚举中的model（model_list）：model.save（{}/model{}.pkl.）。format（folder，idx））

和

def load_models（foldername）：返回[tf.keras.models.load_model（file）for file in blob.blob（foldername+“/*.pkl”）]

有没有办法创建一个包含模型列表的类？是的。这很简单吗？没有。你最好只编写几个函数包装加载/保存操作，并将所有pickle保存在一个单独的文件夹中。Smth simple可以，比如

def save_models（model_list，folder）：对于idx，枚举中的model（model_list）：model.save（“{}/model{}.pkl.format（folder，idx））

和

def load_models（foldername）：对于blob.blob（foldername+“/*.pkl”）中的文件，返回[tf.keras.models.load_model（file）]

请将链接内容的重要部分作为报价包含在您自己的答案中，以防止它们因以下原因而消失：请将链接内容的重要部分作为报价包含在您自己的答案中，以防止它们因以下原因而消失：