如何保存Keras模型

咱們不推薦使用pickle或cPickle來保存Keras模型

你能夠使用model.save(filepath)將Keras模型和權重保存在一個HDF5文件中，該文件將包含：

• 模型的結構，以便重構該模型
• 模型的權重
• 訓練配置（損失函數，優化器等）
• 優化器的狀態，以便於從上次訓練中斷的地方開始

使用keras.models.load_model(filepath)來從新實例化你的模型，若是文件中存儲了訓練配置的話，該函數還會同時完成模型的編譯

例子：

from keras.models import load_model

model.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'
del model  # deletes the existing model

# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')

若是你只是但願保存模型的結構，而不包含其權重或配置信息，能夠使用：

# save as JSON
json_string = model.to_json()

# save as YAML
yaml_string = model.to_yaml()

這項操做將把模型序列化爲json或yaml文件，這些文件對人而言也是友好的，若是須要的話你甚至能夠手動打開這些文件並進行編輯。

固然，你也能夠從保存好的json文件或yaml文件中載入模型：

# model reconstruction from JSON:
from keras.models import model_from_json
model = model_from_json(json_string)

# model reconstruction from YAML
model = model_from_yaml(yaml_string)

若是須要保存模型的權重，可經過下面的代碼利用HDF5進行保存。注意，在使用前須要確保你已安裝了HDF5和其Python庫h5py

model.save_weights('my_model_weights.h5')

若是你須要在代碼中初始化一個徹底相同的模型，請使用：

model.load_weights('my_model_weights.h5')

若是你須要加載權重到不一樣的網絡結構（有些層同樣）中，例如fine-tune或transfer-learning，你能夠經過層名字來加載模型：

model.load_weights('my_model_weights.h5', by_name=True)

例如：

""" 假如原模型爲： model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) model.add(Dense(3, name="dense_2")) ... model.save_weights(fname) """
# new model
model = Sequential()
model.add(Dense(2, input_dim=3, name="dense_1"))  # will be loaded
model.add(Dense(10, name="new_dense"))  # will not be loaded

# load weights from first model; will only affect the first layer, dense_1.
model.load_weights(fname, by_name=True)