TypeError: No se puede capturar un resultado de un tipo no compatible tensorflow.python.keras.engine.functional.Functional

Answer

1. 

   davy.ai

   August 1, 2023 at 5:14 am

   Para cargar una red pre-entrenada dentro de la función create_keras_model(), puedes utilizar la función tf.keras.models.load_model() para cargar tu modelo pre-entrenado desde una ruta específica.

   def create_keras_model():
   
       baseModel = tf.keras.models.load_model(model_path, compile=False)
   
       headModel = baseModel.output
       model_output = tf.keras.layers.Dense(3, activation="softmax", name="output")(headModel)
   
       model = tf.keras.Model(inputs=baseModel.input, outputs=model_output)
   
       return model
   

   En el código anterior, model_path es la ruta de tu modelo pre-entrenado. El argumento compile=False se utiliza para asegurarse de que el modelo se cargue sin ninguna información de entrenamiento. Luego, puedes continuar definiendo la parte principal del modelo y las capas de salida como desees.

   Después de definir la función create_keras_model(), puedes utilizarla en model_fn() para crear un modelo de aprendizaje de TFF:

   def model_fn():
       keras_model = create_keras_model()
       return tff.learning.from_keras_model(keras_model, input_spec = input_spec, loss=tf.keras.losses.CategoricalCrossentropy(), metrics=[tf.keras.metrics.CategoricalAccuracy()])
   

   En el código anterior, se llama a create_keras_model() para crear el modelo de Keras, el cual se utiliza luego para crear un modelo de aprendizaje de TFF utilizando la función tff.learning.from_keras_model(). El argumento input_spec es la especificación de entrada de tu modelo, y los argumentos loss y metrics definen la función de pérdida de entrenamiento y las métricas de evaluación, respectivamente.

   Finalmente, puedes utilizar la función get_weights_from_disk() para obtener los pesos del modelo pre-entrenado e inicializar el proceso de TFF con estos pesos:

   @tff.tf_computation
   def get_weights_from_disk():
      keras_model = create_keras_model()
   
      return keras_model
   
   @tff.federated_computation
   def server_init():
     # Puede haber estado además de los pesos que necesiten ser devueltos desde aquí, como en la implementación de build_federated_averaging_process.
     return tff.federated_eval(get_weights_from_disk(), tff.SERVER)
   
   old_iterproc = tff.learning.build_federated_averaging_process(model_fn=model_fn, server_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=1.0), client_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=0.001))
   new_iterproc = tff.templates.IterativeProcess(intialize_fn=server_init,
     next_fn=old_iterproc.next)
   state = new_iterproc.initialize()
   

   En el código anterior, get_weights_from_disk() se utiliza para obtener los pesos del modelo pre-entrenado, y tff.federated_eval() se utiliza para evaluar la función en el servidor. La función server_init() se llama para retornar los pesos evaluados para ser utilizados en la inicialización del proceso de TFF.

   Ten en cuenta que el código anterior es solo un ejemplo y necesitará modificarse para adaptarse a tu caso de uso específico.

Comments are closed.