13.模型保存-加载

模型保存-加载整个模型

Keras 模型保存为HDF5文件。
（官网建议）不建议使用pickle 或cPickle 来保存Keras 模型。

保存：使用model.save(filepath) 将Keras 模型保存到单个HDF5中。
可以保存以下内容：

1. 模型的结构，允许重新创建模型
2. 模型的权重
3. 训练配置项（损失函数，优化器）
4. 优化器状态，允许准确地从上次结束的地方继续训练。

代码：
保存

import h5py
model.save('my_model.h5')

加载：

import keras
from keras.models import load_model
import numpy as np
my_model=load_model('my_model.h5') 
import keras.datasets.mnist as mnist   
(train_image,train_lable),(test_image,test_label)=mnist.load_data() #加载数据集

预测举例

test_image = np.expand_dims(test_image,axis=-1)
my_model.evaluate(test_image,test_label)
my_model.predict(test_image[0:2])

模型保存-加载模型结构

保存

from keras.models import model_from_json
my_model_json=model.to_json()
with open('muy_json_model.json','w') as f:
    f.write(my_model_json)

加载：

with open('muy_json_model.json') as f:
    my_json_model = f.read()
from keras.models import model_from_json
model=model_from_json(my_json_model)

看看是不是和以前结构一样：

model.summary()

这里是完成不了my_model.evaluate(test_image,test_label)的，因为没有编译也没有权重，只是一个结构。

模型保存-加载模型训练权重

model.save_weights('my_model_weights.h5') #保存模型权重
model.load_weights('my_model_weights.h5') #加载模型权重

上面是保存所有层的权重
还可以实现保存部分层的权重
但首先要给层取一个名字

model.add(layers.Dense(64,activation='relu',name='D1')) 

给这个层起个名字 叫D1
这时候保存权重的时候会根据名字保存。
然后

model.load_weights('my_model_weights.h5',by_name=True) #加载模型权重

就会按照层的名称加载模型权重了。（保存的时候模型的层的名字要和加载时建立的模型的层的名字一致）

在训练期间保存检查点

在训练期间或者训练结束时自动保存检查点，这样就可以使用经过训练的模型，而无需重新训练模型，或者从上次暂停的地方继续训练，以防训练过程中断。
回调函数：tf.keras.callbacks.ModelCheckpoint 或者keras.callbacks.ModelCheckpoint

keras.callbacks.ModelCheckpoint(
    filepath,        保存路径
    monitor='val_loss',  监控目标
    verbose=0,  是否显示提示
    save_best_only=False, 保存loss最低的权值
    save_weights_only=False, 只保存权重 （false 就是保存整个模型）
    mode='auto',         
    save_freq='epoch',
    **kwargs,
)

怎么保存？

cp_callback=keras.callbacks.ModelCheckpoint(checkpoin_path,save_weights_only=True) #定义保存路径，保存啥什么的
model.fit(train_image,train_label,epochs=3, callbacks=[cp_callback]) #在训练模型的时候使用，就会保存

怎么使用？比如训练中途突然断电或者其他什么原因。
如何恢复这个模型:
首先创建原来的模型，然后编译，然后加载保存了的权重：

model.load_weights(checkpoin_path)