TFF 加载预训练的 Keras 模型

我的目标是从 .hdf5 文件加载基本模型（它是 Keras 模型），并继续通过联合学习对其进行训练。以下是我初始化 FL 基本模型的方法：

def model_fn():
    model = tf.keras.load_model(path/to/model.hdf5)
    return tff.learning.from_keras_model(model=model, 
                                         dummy_batch=db, 
                                         loss=loss, 
                                         metrics=metrics)

trainer = tff.learning.build_federated_averaging_process(model_fn)
state = trainer.initialize()

然而，似乎生成的 state.model 权重是随机初始化的，并且与我保存的模型不同。当我在任何联合训练之前评估模型的性能时，它的性能就像随机初始化的模型一样：准确度为 50%。以下是我评估性能的方式：

def evaluate(state):
    keras_model = tf.keras.models.load_model(path/to/model.hdf5, compile=False)
    tff.learning.assign_weights_to_keras_model(keras_model, state.model)
    keras_model.compile(loss=loss, metrics=metrics)
    return keras_model.evaluate(features, values)

如何使用保存的模型权重初始化 tff 模型？

是的，我认为预计initialize将重新运行初始化程序并返回该值。

然而，有一种方法可以用 TFF 来做这样的事情。 TFF 是强类型和函数式的 - 如果我们可以使用正确的值构造一个参数，该参数与上面的联合平均过程所期望的类型相匹配，那么事情应该“正常工作”。所以这里的目标是构造满足这些要求的论证。

您可以查看FileCheckpointManager's加载实施在这里寻求一点灵感，但我认为 Keras 的情况更简单。

假设你有手state就像上面和model您的 Keras 模型，这里有一个解包和重新打包所有内容的快捷方式 - 如中所示本节TFF 的教程之一——即使用tff.learning.state_with_new_model_weights。如果您具有上述状态和模型（并且 TF 处于 eager 模式），则以下内容应该适合您：

state = tff.learning.state_with_new_model_weights(
    state,
    trainable_weights=[v.numpy() for v in model.trainable_weights],
    non_trainable_weights=[
        v.numpy() for v in model.non_trainable_weights
    ])

这应该将模型的权重重新分配给模型的适当元素state object.