需要安装h5py：pip install h5py

1.模型的保存与加载

方法1：model.save()
model.save('model_path.h5') # 保存模型
model = load_model('model_path.h5') # 加载模型, 需要from keras.models import load_model
说明：
- 优点：保存整个模型(包括结构和权重)，加载时只需要直接加载指定路径下的model即可。
- 缺点：①如果有自定义的层(如：MyLayer1)，则需要使用代码model = load_model('model.h5', custom_objects={'MyLayer1': MyLayer1, 'tf': tf} )来加载model，即还是需要重新定义层； ②相比于save_weights而言，由于还要保存结构信息，所以保存下载的模型占的存储空间比较大
- 总之，save()保存的模型除了占用内存大一点以外，其他的优点太明显了。所以，在不怎么缺硬盘空间的情况下，还是建议大家多用save()来存。
方法2：model.save_weights()
model.save_weights('model_path.h5') # 保存模型权重
model.load_weights('model_path.h5') # 加载模型权重
说明：需要先把模型定义出来，然后再加载权值。
方法3和方法4：model.to_json()和model.to_yaml()
本人使用的不多，可以参考：Keras模型保存的几个方法和它们的区别
或者keras的官网：Model saving & serialization APIs

2.代码案例

保存模型

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD# 载入数据
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 换one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)# 创建模型，输入784个神经元，输出10个神经元
model = Sequential([Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')])# 定义优化器
sgd = SGD(lr=0.2)# 定义优化器，loss function，训练过程中计算准确率
model.compile(optimizer = sgd,loss = 'mse',metrics=['accuracy'],
)# 训练模型
model.fit(x_train,y_train,batch_size=64,epochs=5)# 评估模型
loss,accuracy = model.evaluate(x_test,y_test)print('\ntest loss',loss)
print('accuracy',accuracy)# 保存模型
model.save('model.h5')   # HDF5文件，pip install h5py

加载模型

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
from keras.models import load_model# 载入数据
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 换one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)# 载入模型
model = load_model('model.h5')# 评估模型
loss,accuracy = model.evaluate(x_test,y_test)print('\ntest loss',loss)
print('accuracy',accuracy)

在原有模型的基础上，再迭代训练两个周期，以提高精确度

# 训练模型
model.fit(x_train,y_train,batch_size=64,epochs=2)# 评估模型
loss,accuracy = model.evaluate(x_test,y_test)print('\ntest loss',loss)
print('accuracy',accuracy)

保存模型的参数或者保存模型的网络结构

# 保存参数，载入参数
model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')
# 保存网络结构，载入网络结构
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)print(json_string)

参考：

视频：覃秉丰老师的“Keras入门”：http://www.ai-xlab.com/course/32
博客参考：https://www.cnblogs.com/XUEYEYU/tag/keras%E5%AD%A6%E4%B9%A0/

7. keras - 模型的保存与载入相关推荐

TF：利用TF的train.Saver将训练好的W、b模型文件保存+新建载入刚训练好模型(用于以后预测新的数据)
TF:利用TF的train.Saver将训练好的W.b模型文件保存+新建载入刚训练好模型(用于以后预测新的数据) 目录输出结果代码设计输出结果代码设计 import tensorflow as ...
pytorch多卡并行模型的保存与载入
pytorch多卡并行模型的保存与载入当模型是在数据并行方式在多卡上进行训练的训练和保存,那么载入的时候也是一样需要是多卡.并且,load_state_dict()函数的调用要放在DataParal ...
Keras框架训练模型保存及载入继续训练
Keras框架训练模型保存及再载入实验数据MNIST 初次训练模型并保存 import numpy as np from keras.datasets import mnist from keras ...
keras的model保存和载入
保存keras的model文件和载入keras文件的方法有很多. keras中的模型主要包括model和weight两个部分. 保存模型结构保存model部分的主要方法:一是通过json文件,二是通 ...
Keras模型的保存与调用
一.模型的保存(结构 + 权重 + 优化器状态) 1.model.save('model.h5')#保存名为model的h5文件到程序所在目录你可以使用 model.save(filepath) 将 ...
Keras——模型的保存、读取及加载
本文将会介绍如何利用Keras来实现模型的保存.读取以及加载. 本文使用的模型为解决IRIS数据集的多分类问题而设计的深度神经网络(DNN)模型,模型的结构示意图如下: 具体的模型参数可以参考文章 ...
PyTorch模型的保存加载以及数据的可视化
文章目录 PyTorch模型的保存和加载模块和张量的序列化和反序列化模块状态字典的保存和载入 PyTorch数据的可视化 TensorBoard的使用总结 PyTorch模型的保存和加载在深度 ...
实践教程 | Pytorch 模型的保存与迁移
实践教程 | Pytorch 模型的保存与迁移在本篇文章中,笔者首先介绍了模型复用的几种典型场景:然后介绍了如何查看Pytorch模型中的相关参数信息:接着介绍了如何载入模型.如何进行追加训练以及进 ...
Keras保存和载入训练好的模型和参数
1.保存模型 my_model = create_model_function( ...... )my_model.compile( ...... )my_model.fit( ...... )mod ...
Keras学习笔记---保存model文件和载入model文件
Keras学习笔记---保存model文件和载入model文件保存keras的model文件和载入keras文件的方法有很多.现在分别列出,以便后面查询. keras中的模型主要包括model和we ...

7. keras - 模型的保存与载入

1.模型的保存与加载

2.代码案例

保存模型

加载模型

参考：

7. keras - 模型的保存与载入相关推荐

最新文章

热门文章