keras如何保存模型

使用model.save(filepath)将Keras模型和权重保存在一个HDF5文件中，该文件将包含：

模型的结构，以便重构该模型
模型的权重
训练配置（损失函数，优化器等）
优化器的状态，以便于从上次训练中断的地方开始

使用keras.models.load_model(filepath)来重新实例化你的模型，如果文件中存储了训练配置的话，该函数还会同时完成模型的编译

---

只保存模型结构,而不包含其权重或配置信息

---

#保存成json格式的文件
# save as JSON
 json_string = model.to_json()  
open('my_model_architecture.json','w').write(json_string)   
from keras.models import model_from_json
model = model_from_json(open('my_model_architecture.json').read())  

#保存成yaml文件
# save as YAML  
yaml_string = model.to_yaml()  
open('my_model_architectrue.yaml','w').write(yaml_string)
from keras.models import model_from_yaml
model = model_from_yaml(open('my_model_architecture.yaml').read())

#这项操作将把模型序列化为json或yaml文件，这些文件对人而言也是友好的，如果需要的话你甚至可以手动打开这些文件并进行编辑。当然，你也可以从保存好的json文件或yaml文件中载入模型：

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

# model reconstruction from YAML  
model =model_from_yaml(yaml_string)  

---

需要保存模型的权重

---

import keras.models import load_model
model.save_weights('my_model_weights.h5') 
#需要在代码中初始化一个完全相同的模型 
model.load_weights('my_model_weights.h5')
#需要加载权重到不同的网络结构（有些层一样）中，例如fine-tune或transfer-learning，可以通过层名字来加载模型  
model.load_weights('my_model_weights.h5', by_name=True)

 open('my_model_architecture.json','w').write(json_string)  
model.save_weights('my_model_weights.h5')  
model = model_from_json(open('my_model_architecture.json').read())  
model.load_weights('my_model_weights.h5')

---

实时保存模型结构、训练出来的权重、及优化器状态并调用

---

keras 的callback参数可以帮助我们实现在训练过程中的适当时机被调用。实现实时保存训练模型以及训练参数

keras.callbacks.ModelCheckpoint(
    filepath, 
    monitor='val_loss', 
    verbose=0, 
    save_best_only=False, 
    save_weights_only=False, 
    mode='auto', 
    period=1
)

1. filename：字符串，保存模型的路径