Keras保存模型並載入模型繼續訓練
咱們以MNIST手寫數字識別爲例json
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 # 載入數據 (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 # 換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) # 建立模型，輸入784個神經元，輸出10個神經元 model = Sequential([ Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax') ]) # 定義優化器 sgd = SGD(lr=0.2) # 定義優化器，loss function，訓練過程當中計算準確率 model.compile( optimizer = sgd, loss = 'mse', metrics=['accuracy'], ) # 訓練模型 model.fit(x_train,y_train,batch_size=64,epochs=5) # 評估模型 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
載入初次訓練的模型，再訓練
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 # 載入數據 (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 # 換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) # 載入模型 model = load_model('model.h5') # 評估模型 loss,accuracy = model.evaluate(x_test,y_test) print('\ntest loss',loss) print('accuracy',accuracy) # 訓練模型 model.fit(x_train,y_train,batch_size=64,epochs=2) # 評估模型 loss,accuracy = model.evaluate(x_test,y_test) print('\ntest loss',loss) print('accuracy',accuracy) # 保存參數，載入參數 model.save_weights('my_model_weights.h5') model.load_weights('my_model_weights.h5') # 保存網絡結構，載入網絡結構 from keras.models import model_from_json json_string = model.to_json() model = model_from_json(json_string) print(json_string)
關於compile和load_model()的使用順序
這一段落主要是爲了解決咱們fit、evaluate、predict以前仍是以後使用compile。想要弄明白，首先咱們要清楚compile在程序中是作什麼的？都作了什麼？網絡
compile作什麼？函數
compile定義了loss function損失函數、optimizer優化器和metrics度量。它與權重無關，也就是說compile並不會影響權重，不會影響以前訓練的問題。學習
若是咱們要訓練模型或者評估模型evaluate，則須要compile，由於訓練要使用損失函數和優化器，評估要使用度量方法；若是咱們要預測，則沒有必要compile模型。優化
是否須要屢次編譯？lua
除非咱們要更改其中之一：損失函數、優化器 / 學習率、度量spa
又或者咱們加載了還沒有編譯的模型。或者您的加載/保存方法沒有考慮之前的編譯。code
再次compile的後果？blog
若是再次編譯模型，將會丟失優化器狀態.ip
這意味着您的訓練在開始時會受到一點影響，直到調整學習率，動量等爲止。可是絕對不會對重量形成損害（除非您的初始學習率如此之大，以致於第一次訓練步驟瘋狂地更改微調的權重）。