1 代码实现

import numpy as np
np.random.seed(1337)  # for reproducibilityfrom keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model# create some data
X = np.linspace(-1, 1, 200)
np.random.shuffle(X)    # randomize the data
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, ))
X_train, Y_train = X[:160], Y[:160]     # first 160 data points
X_test, Y_test = X[160:], Y[160:]       # last 40 data points
model = Sequential()
model.add(Dense(output_dim=1, input_dim=1))
model.compile(loss='mse', optimizer='sgd')
for step in range(301):cost = model.train_on_batch(X_train, Y_train)# save
print('test before save: ', model.predict(X_test[0:2]))
model.save('my_model.h5')   # HDF5 file, you have to pip3 install h5py if don't have it
del model  # deletes the existing model# load
model = load_model('my_model.h5')
print('test after load: ', model.predict(X_test[0:2]))# save and load weights
#model.save_weights('my_model_weights.h5')
#model.load_weights('my_model_weights.h5')# save and load fresh network without trained weights
#from keras.models import model_from_json
#json_string = model.to_json()
#model = model_from_json(json_string)

2 输出：

3 过程讲解

3.1 训练模型

下面的导入数据和训练模型用的是之前讲过的回归模型的例子，今天要做的是如何保存这个模型。

import numpy as np
np.random.seed(1337)  # for reproducibilityfrom keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model# create some data
X = np.linspace(-1, 1, 200)
np.random.shuffle(X)    # randomize the data
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, ))
X_train, Y_train = X[:160], Y[:160]     # first 160 data points
X_test, Y_test = X[160:], Y[160:]       # last 40 data points
model = Sequential()
model.add(Dense(output_dim=1, input_dim=1))
model.compile(loss='mse', optimizer='sgd')
for step in range(301):cost = model.train_on_batch(X_train, Y_train)

3.2 保存模型

训练完模型之后，可以打印一下预测的结果，接下来就保存模型。

保存的时候只需要一行代码 model.save，再给它加一个名字就可以用 h5 的格式保存起来。

这里注意，需要已经安装了 HDF5 这个模块。

保存完模型之后，删掉它，后面可以来比较是否成功的保存。

# save
print('test before save: ', model.predict(X_test[0:2]))
model.save('my_model.h5')   # HDF5 file, you have to pip3 install h5py if don't have it
del model  # deletes the existing model"""
test before save:  [[ 1.87243938] [ 2.20500779]]
"""

3.3 导入模型并应用

导入保存好的模型，再执行一遍预测，与之前预测的结果比较，可以发现结果是一样的。#load
model = load_model('my_model.h5')
print('test after load: ', model.predict(X_test[0:2]))"""
test after load:  [[ 1.87243938] [ 2.20500779]]
"""
另外还有其他保存模型并调用的方式，第一种是只保存权重而不保存模型的结构。#save and load weights
model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')
第二种是用 model.to_json 保存完结构之后，然后再去加载这个json_string。#save and load fresh network without trained weights
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)

Keras【Deep Learning With Python】Save reload 保存提取模型相关推荐

Keras Tutorial: Deep Learning in Python
This Keras tutorial introduces you to deep learning in Python: learn to preprocess your data, model, ...
Deep learning with Python 学习笔记（6）
本节介绍循环神经网络及其优化循环神经网络(RNN,recurrent neural network)处理序列的方式是,遍历所有序列元素,并保存一个状态(state),其中包含与已查看内容相关的信息. ...
Deep learning with Python 学习笔记（9）
神经网络模型的优化使用 Keras 回调函数使用 model.fit()或 model.fit_generator() 在一个大型数据集上启动数十轮的训练,有点类似于扔一架纸飞机,一开始给它一点推 ...
python思想读后感_《Deep Learning with Python》读后感精选
<Deep Learning with Python>是一本由Francois Chollet著作,Manning Publications出版的Paperback图书,本书定价:USD ...
Python深度学习：基于PyTorch [Deep Learning with Python and PyTorch]
作者:吴茂贵,郁明敏,杨本法,李涛,张粤磊著出版社:机械工业出版社品牌:机工出版出版时间:2019-11-01 Python深度学习:基于PyTorch [Deep Learning with ...
Deep Learning with Python
1.学习地址 Deep Learning with Python(wang@123) 2.大神的twitter 大神的twitter
Keras【Deep Learning With Python】MNIST数据集识别优化
文章目录前言 1 线性回归预测 2 手写数字识别 3 模型优化前言本文分为三部分: a.线性回归 b.手写数字识别 c.手写数字识别模型优化. 1 线性回归预测 import keras Usi ...
Keras【Deep Learning With Python】—Keras基础
文章目录 1.关于Keras 2.Keras的模块结构 3.使用Keras搭建一个神经网络 4. 主要概念 5.第一个示例下载网站数据注意 1.关于Keras 1)简介 Keras是由纯python ...
《Deep Learning with Python》（中文版）—读书笔记
深度学习人工智能>机器学习>深度学习人工智能:努力将通常由人类完成的智力任务自动化.(人们输入的是规则(即程序)和需要根据这些规则进行处理的数据,系统输出的是答案) 机器学习:机器学习 ...

Keras【Deep Learning With Python】Save reload 保存提取模型

文章目录

1 代码实现

2 输出：

3 过程讲解

3.1 训练模型

3.2 保存模型

3.3 导入模型并应用

Keras【Deep Learning With Python】Save reload 保存提取模型相关推荐

最新文章

热门文章