在训练之后和训练过程中都可以保存模型进度。 这意味着模型可以从中断的地方继续进行，避免了长时间的训练。 保存还意味着您可以共享模型，而其他人可以重新创建您的作品。 在发布研究模型和技术时，大多数机器学习从业者分享：

• 创建模型的代码，以及
• 模型的训练权重或参数

共享这些数据可帮助其他人了解模型的工作原理，并使用新数据自己尝试。

设定

我们将使用MNIST数据集来训练我们的模型，以演示如何保存权重。 为了加快这些演示运行，仅使用前1000个示例：

library(keras)mnist %  array_reshape(c(1000, 28 * 28))train_images %  array_reshape(c(1000, 28 * 28))test_images 

定义模型

让我们建立一个简单的模型，以演示如何保存和加载权重。

# Returns a short sequential modelcreate_model %    layer_dense(units = 512, activation = "relu", input_shape = 784) %>%    layer_dropout(0.2) %>%    layer_dense(units = 10, activation = "softmax")  model %>% compile(    optimizer = "adam",    loss = "sparse_categorical_crossentropy",    metrics = list("accuracy")  )  model}model % summary()

保存整个模型

保存Keras模型的习惯形式是保存为HDF5格式。

生成的文件包含权重值，模型的配置，甚至优化器的配置。 这使您可以保存模型并稍后从完全相同的状态恢复训练，而无需访问原始代码。

model % fit(train_images, train_labels, epochs = 5)model %>% save_model_hdf5("my_model.h5")

如果您只想保存权重，则可以将最后一行替换为

model %>% save_model_weights_hdf5("my_model_weights.h5")

现在从该文件重新创建模型：

new_model % summary()

在训练期间保存检查点

在训练期间和训练结束时自动保存检查点非常有用。这样，您可以使用受过训练的模型，而无需重新训练它，也可以在您离开的地方进行训练，以防训练过程中断。

callback_model_checkpoint是执行此任务的回调。

回调使用几个参数来配置检查点。默认情况下，save_weights_only设置为false，这意味着将保存完整的模型-包括体系结构和配置。然后，您可以按照上一段所述还原模型。

现在，让我们集中讨论仅保存和恢复权重。在以下代码段中，我们将save_weights_only设置为true，因此在还原时需要模型定义。

filepath参数可以包含命名的格式选项，例如：如果文件路径为权重。{epoch：02d}-{val_loss：.2f} .hdf5，则模型检查点将与时期号一起保存，文件名中的验证丢失。

保存的模型权重将再次为HDF5格式。

检查点回调用法

训练模型并将其传递给callback_model_checkpoint：

checkpoint_dir % fit(  train_images,  train_labels,  epochs = 10,   validation_data = list(test_images, test_labels),  callbacks = list(cp_callback)  # pass callback to training)

检查创建的文件：

list.files(checkpoint_dir)

创建一个新的未经训练的模型。 仅从权重还原模型时，必须具有与原始模型具有相同体系结构的模型。 由于它是相同的模型架构，因此尽管模型是不同的实例，我们仍可以共享权重。

现在重建一个新的，未经训练的模型，并在测试集上对其进行评估。 未经训练的模型将以机会级别(〜10％的准确性)执行：

fresh_model % evaluate(test_images, test_labels)cat('Test loss:', score$loss, '')cat('Test accuracy:', score$acc, '')

然后从最新的检查点(第10步)加载权重，然后重新评估：

fresh_model %>% load_model_weights_hdf5(  file.path(checkpoint_dir, "weights.10-0.42.hdf5"))score % evaluate(test_images, test_labels)cat('Test loss:', score$loss, '')cat('Test accuracy:', score$acc, '')

为了减少文件数量，您还可以在第n个时间段仅保存一次模型权重。 例如，

checkpoint_dir % fit(  train_images,  train_labels,  epochs = 10,   validation_data = list(test_images, test_labels),  callbacks = list(cp_callback)  # pass callback to training)list.files(checkpoint_dir)

另外，您也可以决定仅保存最佳模型，默认情况下，最佳模型定义为验证损失。 有关更多信息，请参见callback_model_checkpoint的文档。

checkpoint_dir % fit(  train_images,  train_labels,  epochs = 10,   validation_data = list(test_images, test_labels),  callbacks = list(cp_callback)  # pass callback to training)

在这种情况下，权重在第6和第7个时期均已保存，但验证损失没有改善。