Keras保存模型、checkpoint

1.Keras保存训练好的模型

1) 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

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')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

2) 只保存模型的结构，而不包含其权重或配置信息：

# save as JSON
json_string = model.to_json()

# save as YAML
yaml_string = model.to_yaml()


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

# model reconstruction from YAML
model = model_from_yaml(yaml_string)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

3) 只保存模型的权重

model.save_weights('my_model_weights.h5')

# 初始化一个完全相同的模型
model.load_weights('my_model_weights.h5')

# 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)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

2.Keras保存checkpoint

from keras.callbacks import ModelCheckpoint

checkpointer = ModelCheckpoint(filepath="checkpoint-{epoch:02d}e
-val_acc_{val_acc:.2f}.hdf5", 
save_best_only=True, verbose=1,  period=50)

model.fit(data, labels, epochs=10, batch_size=32,
   callbacks=[checkpointer])    #callbacks为一个list,可有多个回调函数

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

• filepath:checkpoint保存路径，上面加入了变量值来命名

• verbose：信息展示模式，0或1

• save_best_only：当设置为True时，将只保存在验证集上性能最好的模型，设为True避免保存过多不必要的模型

• period：CheckPoint之间的间隔的epoch数，可避免训练前期保存不必要的模型

保存的checkpoint，可以直接作为 1. 1） 中保存的model调用，用来分类

model = load_model('checkpoint-05e-val_acc_0.58.hdf5')

• 1

也可以作为继续训练之前加载权重

model.load_weights('checkpoint-05e-val_acc_0.58.hdf5')

• 1

个人分类：  Keras