如何在".h5"中减小模型文件大小

Question

我使用tensorflow和keras 2.8.0版本。

我有以下网络:

#defining model
model=Sequential()
#adding convolution layer
model.add(Conv2D(256,(3,3),activation='relu',input_shape=(256,256,3)))
#adding pooling layer
model.add(MaxPool2D(2,2))
#adding fully connected layer
model.add(Flatten())
model.add(Dense(100,activation='relu'))
#adding output layer
model.add(Dense(len(classes),activation='softmax'))
#compiling the model
model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
#fitting the model
model.fit(x_tr,y_tr,epochs=epochs, ) 
# Alla 12-esima epoca, va a converge a 1
# batch size è 125 credo, non so il motivo
#evaluting the model
loss_value, accuracy = model.evaluate(x_te, y_te)
#loss_value, accuracy, top_k_accuracy = model.evaluate(x_te, y_te, batch_size=batch_size)
print("loss_value: " + str(loss_value))
print("acuracy: " + str(accuracy))
#predict first 4 images in the test set
ypred = model.predict(x_te)

关键是，现在我正试图将模型保存为". 5"格式，但如果我训练100次或1次，我将得到一个4.61Gb的文件模型。

为什么这个文件那么大?我怎样才能缩小这个模型的尺寸?

Answer 1

一般原因: h5文件的大小仅基于模型的参数数量。

在构建模型后添加行model.summary()，并查看模型通常具有的参数数量。

减小模型尺寸的步骤你有很多过滤器在你的转换层。因为我不知道你想用你的模型实现什么，我仍然建议你将过滤器的数量分开到不同的转换层，并在两者之间添加Pooling层。它将按比例缩小图像，特别是减少Flatten层的参数数量。关于Pooling层的更多信息可以在这里找到。

Answer 2

经过5个月的经验，我发现，为了减小模型尺寸，提高准确率得分和降低损失值，需要做的步骤如下:

1. 对标签进行分类，然后改变模型的损失函数
2. 将[-1,1]范围内的数据归一化
3. 使用密集层增加参数，然后模型的维度:有时甚至没有帮助。有更多的参数并不意味着有更高的准确性。为了找到解决方案，你必须多次尝试改变网络，使用不同的激活函数和优化器，如SGD或Adam。
4. 为learning_rate、decay_rate、decay_values等选择合适的参数。这些参数给你一个更好或更差的结果。
5. 使用batch_size = 32或64
6. 使用函数一步一步地加载数据集，而不是在RAM中一次加载所有数据集，因为它使过程更慢，甚至不需要:如果你使用keras/tensorflow，那么你可以使用tf.data.Dataset.from_tensor_slices((x, y)).batch(32 , drop_remainder=True)当然，它应该用于训练，测试，验证

希望能有所帮助