机器学习系列 八 - 3.How can I save a Keras model

如何在Keras中保存一个模型？

保存/加载整个模型(结构 + 权重 + 优化器状态)

保存Keras 模型不推荐使用pickle 或者cPickle

你可以使用 model.save(filepath) 来保存一个Keras 模型到一个单独的HDF5文件中，它将包含如下：

• 模型的结构， 允许重新创建模型
• 模型的权重
• training的配置(loss function， 优化器optimizer)
• 优化器状态， 允许从之前停下的地方重新开始训练。

可以使用 keras.models.load_model(filepath) 来重新初始化你的模型。 load_model  将同样保证编译模型使用之前保存的training 配置(除非从未被编译过)

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')

保存、加载 模型的架构

如果你只想要保存一个模型的架构，而不包括权重和训练配置，你可以这么做：

# save as JSON
json_string = model.to_json()

# save as YAML
yaml_string = model.to_yaml()

生成JSON/ YAML 文件是人类可读文件，并且可编辑，如果需要的话。

你可以构建一个全新的模型从这些数据中：

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

# model reconstruction from YAML
from keras.models import model_from_yaml
model = model_from_yaml(yaml_string)

保存、加载仅模型的权重

如果你仅需要保存模型的权重，你可以在HDF5文件中使用如下代码

请注意你需要首先安装HDF5 并且包含python的h5py lib， 这些并没有在Keras中内建。

model.save_weights('my_model_weights.h5')

假设你有代码去厨师话你的模型，那么你这是可以加载你的权重用相同的架构：

model.load_weights('my_model_weights.h5')

如果你需要加载权重到一个不同的架构(拥有相同的层数)，例如 微调 或者 转移学习， 你可以通过layer name来加载权重。

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

例如：

"""
Assuming the original model looks like this:
    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)

处理定制化layer（或其他定制化对象）在已经保存了的模型中

If the model you want to load includes custom layers or other custom classes or functions, you can pass them to the loading mechanism via the custom_objects argument:

如果你想要加载的模型包含了定制化的layers或者其他定制化对象或者方法，你可以把他们传递给加载机制 通过 custom_objects 参数。

from keras.models import load_model
# Assuming your model includes instance of an "AttentionLayer" class
model = load_model('my_model.h5', custom_objects={'AttentionLayer': AttentionLayer})

Alternatively, you can use a custom object scope:

作为一种选择，你可以使用定制化对象范围：

from keras.utils import CustomObjectScope

with CustomObjectScope({'AttentionLayer': AttentionLayer}):
    model = load_model('my_model.h5')

Custom objects handling works the same way for load_model, model_from_json, model_from_yaml:

定制化对象处理 的工作方式起来跟 load_model, model_from_json, model_from_yaml是一样的：

from keras.models import model_from_json
model = model_from_json(json_string, custom_objects={'AttentionLayer': AttentionLayer})