[已解决]无法pickle tensorflow 弱引用对象

125404629 · 发表于 2023-3-31 21:08:55

马上注册，结交更多好友，享用更多功能^_^

您需要登录才可以下载或查看，没有账号？立即注册

x

本帖最后由 125404629 于 2023-3-31 21:16 编辑

求助大神！，如能解决请加qq806559062,必有重谢！！！
下列代码是我所写的程序的一部分，功能是通过遗传算法优化CNN模型，实现光谱数据分类，其中，save_network(self)中的save_network函数的功能是同时保存network类的拓朴结构，所建立的模型和适应度，通过pickle.dump将其序列化为.obj格式的序列化文件，通过pickle.load将其反序列化用于读取network.但是现在存在的问题是，报错：TypeError：can't pickle weakref objects，无法pickle 弱引用对象，因此无法将network进行序列化。现在，请问如何修改代码实现序列化network类，所建立的模型和适应度到一个二进制文件之中，并能够再次反序列化读取。
环境配置：python 3.7.8 ,tensorflow -gpu 2.6.0 ,keras 2.6.0，之前使用tensorflow cpu进行训练时未出现这个问题。
下面是部分代码：

“def save_network(network):
    object_file = open(network.name + '.obj', 'wb')
    pickle.dump(network, object_file)
#将模型文件以二进制格式进行读取
def load_network(name):
    object_file = open(name + '.obj', 'rb')
    return pickle.load(object_file)
”
“class Network:
    __slots__ = ('name', 'block_list', 'fitness', 'model')
    def __init__(self, it):
        self.name = 'parent_' + str(it) if it == 0 else 'net_' + str(it)
        self.block_list = []
        self.fitness = None
        self.model = None
    def build_model(self):
        model = keras.Sequential()                                # create model
        for block in self.block_list:
            for layer in block.get_layers():                # build model
                try:
                    layer.build_layer(model)
                except:
                    print("\nINDIVIDUAL ABORTED, CREATING A NEW ONE\n")
                    return -1
        return model

    def train_and_evaluate(self, model, dataset):
        print("Training", self.name)
        model.compile(optimizer=model.opt, loss='categorical_crossentropy', metrics=['acc'])
        #需要增加优化器学习率超参数
        
        history = model.fit(dataset['x_train'],
                            dataset['y_train'],
                            batch_size=model.batch_size,
                            epochs=model.epochs,
                            validation_data=(dataset['x_test'], dataset['y_test']),
                            shuffle=True)
        self.model = model                                    # model
        self.fitness = history.history['val_acc'][-1]        # fitness
        model.save(self.name + '.h5')                       # save model训练数据和训练后的参数保存为h5格式文件
        save_network(self)
”

最佳答案

月排行榜 / 总排行榜

isdkz

2023-3-31 21:37:17

执行这个看看结果：

print([eval('network.{}'.format(i)) for i in n.__slots__])

跳转到最佳答案楼层