Keras模型保存和加载的两种方式

Keras模型保存和加载的两种方式

方式一: 保存所有状态

保存模型和模型图

# 保存模型 model.save(file_path)
model_name = '{}/{}_{}_{}_v2.h5'.format(params['model_dir'],params['filters'],params['pool_size_1'],params['pool_size_2'])
model.save(model_name)

# 保存模型图
from keras.utils import plot_model
# 需要安装pip install pydot
model_plot = '{}/{}_{}_{}_v2.png'.format(params['model_dir'],params['filters'],params['pool_size_1'],params['pool_size_2'])
plot_model(model, to_file=model_plot)

• 模型图如图所示

加载模型

from keras.models import load_model

model_path = '../docs/keras/100_2_3_v2.h5'
model = load_model(model_path)

优势和弊端

• 优势一在于模型保存和加载就一行代码，写起来很方便。
• 优势二在于不仅保存了模型的结构和参数，也保存了训练配置等信息。以便于从上次训练中断的地方继续训练优化。
• 劣势就是占空间太大，我的模型用这种方式占了一个G。【红色部分就是上述模型采用第一种方式保存的文件】本地使用还好，如果是多人的模块需要集成，上传或者同步将会很耗时。
  

方式二: 只保存模型结构和模型参数

保存模型

保存模型图部分和方式一相同。

import yaml
import json

# 保存模型结构到yaml文件或者json文件
yaml_string = model.to_yaml()
open('../docs/keras/model_architecture.yaml', 'w').write(yaml_string)
# json_string = model.to_json()
# open('../docs/keras/model_architecture.json', 'w').write(json_string)

# 保存模型参数到h5文件
model.save_weights('../docs/keras/model_weights.h5')

加载模型

import yaml
import json
from keras.models import model_from_json
from keras.models import model_from_yaml

# 加载模型结构
model = model_from_yaml(open('../docs/keras/model_architecture.yaml').read())
# model = model_from_json(open('../docs/keras/model_architecture.json').read())

# 加载模型参数
model.load_weights('../docs/keras/model_weights.h5')

优势和弊端

• 优势就是节省了硬盘空间，方便同步和协作
• 劣势是丢失了训练的一些配置信息
  

大家按照自己的需求选择合适的方法～

• 同时也欢迎大家访问我的项目代码【包括keras实现】～
• [ mqsee/text_classification ]

参考

• [ 如何保存Keras模型 ]