Tensorflow 使用经过培训的模型作为最终层，无需交叉验证

我目前有一个自定义的tensorflow模型model_a，我想将它用作另一个模型的输出。我想交叉验证整个新模型，但我有以下问题：

---

如果我定义

model_copy= model_A

然后训练：

model_copy.fit(X_train,y_train)

然后，这会影响原始模型。也就是说，在训练模型副本后，模型预测（X列车）将不再等于模型预测（X列车）。。。如何避免这个问题

---

我的实施详情：

通过随机网格搜索确定最佳参数后，我执行以下操作：

best_params = model1.best_params_

input_shape_model1 = tf.keras.Input(shape=(best_params['input_dim'],))

deep_readout = fullyConnected_Dense(best_params['height'])(input_shape_model1)

for i in range(best_params['depth']):
    # Activation
    layer= tf.nn.relu(layer)
    layer=fullyConnected_Dense(best_params['height'])(layer)

out_model1 = fullyConnected_Dense(1)(layer)

best_deep_readout_map = tf.keras.Model(input_shape_model1, out_model1)

opt_model1 = Adam(lr=best_params['learning_rate']) best_model1.compile(optimizer=opt_readout, loss="mae", metrics=["mse", "mae", "mape"])

best_model1.fit(X_concat,z_concat,                        epochs=best_params['epochs'],                    
 batch_size=

最佳参数[‘批量大小’]）

这样做之后。。。我试图保存：

best_model1.save('~/Desktop/models/full_max/')

我得到了这个错误：

---

错误：

AttributeError                            Traceback (most recent call last) <ipython-input-208-c4e56870b2c0> in <module>
----> 1 best_deep_readout_map.save('~/Desktop/models/full_max/')

~/.local/lib/python3.7/site-packages/tensorflow_core/python/keras/engine/network.py in save(self, filepath, overwrite, include_optimizer, save_format, signatures, options)    1006     """    1007     save.save_model(self, filepath, overwrite, include_optimizer, save_format,
-> 1008                     signatures, options)    1009     1010   def save_weights(self, filepath, overwrite=True, save_format=None):

~/.local/lib/python3.7/site-packages/tensorflow_core/python/keras/saving/save.py in save_model(model, filepath, overwrite, include_optimizer, save_format, signatures, options)
    113   else:
    114     saved_model_save.save(model, filepath, overwrite, include_optimizer,
--> 115                           signatures, options)
    116 
    117 

~/.local/lib/python3.7/site-packages/tensorflow_core/python/keras/saving/saved_model/save.py in save(model, filepath, overwrite, include_optimizer, signatures, options)
     76     # we use the default replica context here.
     77     with distribution_strategy_context._get_default_replica_context():  # pylint: disable=protected-access
---> 78       save_lib.save(model, filepath, signatures, options)
     79 
     80   if not include_optimizer:

~/.local/lib/python3.7/site-packages/tensorflow_core/python/saved_model/save.py in save(obj, export_dir, signatures, options)
    897   # Note we run this twice since, while constructing the view the first time
    898   # there can be side effects of creating variables.
--> 899   _ = _SaveableView(checkpoint_graph_view)
    900   saveable_view = _SaveableView(checkpoint_graph_view)
    901 

~/.local/lib/python3.7/site-packages/tensorflow_core/python/saved_model/save.py in __init__(self, checkpoint_view)
    163     self.checkpoint_view = checkpoint_view
    164     trackable_objects, node_ids, slot_variables = (
--> 165         self.checkpoint_view.objects_ids_and_slot_variables())
    166     self.nodes = trackable_objects
    167     self.node_ids = node_ids

~/.local/lib/python3.7/site-packages/tensorflow_core/python/training/tracking/graph_view.py in objects_ids_and_slot_variables(self)
    416     object_names = object_identity.ObjectIdentityDictionary()
    417     for obj, path in path_to_root.items():
--> 418       object_names[obj] = _object_prefix_from_path(path)
    419     node_ids = object_identity.ObjectIdentityDictionary()
    420     for node_id, node in enumerate(trackable_objects):

~/.local/lib/python3.7/site-packages/tensorflow_core/python/training/tracking/graph_view.py in _object_prefix_from_path(path_to_root)
     62   return "/".join(
     63       (_escape_local_name(trackable.name)
---> 64        for trackable in path_to_root))
     65 
     66 

~/.local/lib/python3.7/site-packages/tensorflow_core/python/training/tracking/graph_view.py in <genexpr>(.0)
     62   return "/".join(
     63       (_escape_local_name(trackable.name)
---> 64        for trackable in path_to_root))
     65 
     66 

~/.local/lib/python3.7/site-packages/tensorflow_core/python/training/tracking/graph_view.py in _escape_local_name(name)
     55   # edges traversed to reach the variable, so we escape forward slashes in
     56   # names.
---> 57   return (name.replace(_ESCAPE_CHAR, _ESCAPE_CHAR + _ESCAPE_CHAR)
     58           .replace(r"/", _ESCAPE_CHAR + "S"))
     59 

**AttributeError: 'NoneType' object has no attribute 'replace'**

AttributeError回溯（最近一次调用最后一次）
---->1最佳深度读取地图。保存（“~/Desktop/models/full\u max/”）
保存中的~/.local/lib/python3.7/site-packages/tensorflow\u core/python/keras/engine/network.py（self，filepath，overwrite，include\u optimizer，save\u格式，签名，选项）1006”“”1007保存。保存模型（self，filepath，overwrite，include\u optimizer，save\u格式，
->1008签名，选项）1009 1010 def保存权重（self，filepath，overwrite=True，save\u format=None）：
保存模型中的~/.local/lib/python3.7/site-packages/tensorflow\u core/python/keras/saving/save.py（模型、文件路径、覆盖、包括优化器、保存格式、签名、选项）
113其他：
114保存的\u模型\u保存。保存（模型、文件路径、覆盖、包含\u优化器、，
-->115个签名、选项）
116
117
保存中的~/.local/lib/python3.7/site-packages/tensorflow\u core/python/keras/saving/saving\u model/save.py（模型、文件路径、覆盖，包括\u优化器、签名、选项）
76#我们在这里使用默认副本上下文。
77使用分发策略上下文。获取默认副本上下文（）
--->78保存库保存（模型、文件路径、签名、选项）
79
80如果不包括\u优化器：
保存中的~/.local/lib/python3.7/site-packages/tensorflow\u core/python/saved\u model/save.py（obj、导出目录、签名、选项）
897#注意，我们在第一次构建视图时运行了两次
898#创建变量可能会产生副作用。
-->899=可保存视图（检查点图视图）
900可保存视图=_可保存视图（检查点图视图）
901
~/.local/lib/python3.7/site-packages/tensorflow\u core/python/saved\u model/save.py in\uuuuuu init\uuuuuu（self，checkpoint\u视图）
163 self.checkpoint\u视图=checkpoint\u视图
164可跟踪的\u对象、节点\u ID、插槽\u变量=(
-->165 self.checkpoint\u view.objects\u id\u和\u slot\u variables（））
166 self.nodes=可跟踪的\u对象
167 self.node_id=节点_id
对象和插槽变量中的~/.local/lib/python3.7/site-packages/tensorflow\u core/python/training/tracking/graph\u view.py（self）
416对象名称=对象标识。对象标识字典（）
417对于obj，路径_到_根目录中的路径。项（）
-->418对象名称[obj]=来自路径（路径）的对象前缀
419节点标识=对象标识。对象标识字典（）
420对于节点\ id，枚举中的节点（可跟踪\对象）：
~/.local/lib/python3.7/site-packages/tensorflow\u core/python/training/tracking/graph\u view.py in\u object\u prefix\u from\u path（path\u to\u root）
62返回“/”加入(
63（_escape_local_name（trackable.name））
--->64用于可在路径（U到（U根）中跟踪）
65
66
~/.local/lib/python3.7/site-packages/tensorflow\u core/python/training/tracking/graph\u view.py in（.0）
62返回“/”加入(
63（_escape_local_name（trackable.name））
--->64用于可在路径（U到（U根）中跟踪）
65
66
~/.local/lib/python3.7/site-packages/tensorflow\u core/python/training/tracking/graph\u view.py in\u escape\u local\u name（name）
55#遍历边以到达变量，因此在
56个名字。
--->57返回（名称.替换（_ESCAPE_CHAR，_ESCAPE_CHAR+_ESCAPE_CHAR）
58.替换（r“/”，_ESCAPE_CHAR+“S”））
59
**AttributeError:“非类型”对象没有属性“替换”**

它将影响原始模型，因为Python就是这样工作的，它使用引用，所以实际上它们指向相同的内存位置

如果您想确保您有不同的模型，不管您打算对它们做什么，您都可以创建一个返回特定模型X的函数

例如

但是，我建议您使用

model.save（）

将权重和体系结构保存在一起。同时，使用

tf.keras.models.load\u model（）

加载模型并防止每次重新培训

如果要传递权重，可以使用：

model_2.set_weights(model_1.get_weights())

---

但在这种情况下，我每次都必须重新拟合model1…否？如果我改为写：initialized_weights=modela.weights，那会起作用吗？是的，这就是为什么我建议您使用model.save和model.load（）。如果您想使用初始化的_weights，请检查上面更新的答案：DIt听起来不错，但当我运行时：model1.save（“~/Desktop/models/full_max/”）我得到了一个错误：AttributeError:“NoneType”对象没有属性“replace”我很高兴你学会了！这就是社区应该始终保持的样子，一个学习的绿洲：DIt真的是如此。再次非常感谢Timbus！：）

model_2.set_weights(model_1.get_weights())