keras模型保存和加载

（一）保存和加载整个模型

​ 包含模型的结构、权重、训练配置项（损失函数、优化器）、优化器状态，允许准确地从上次结束的地方开始训练。

1.训练完模型后

path='.../.../xxx.h5'
model.save(path)

2.调用模型

#1 调用模型
import keras
from keras.models import load_model
path='.../.../xxx.h5'
my_model=load_model(path)
#2 引入并处理数据（因数据而异）
#3 可以直接开始evaluate/predict/继续训练

（二）只保存、加载模型结构

保存模型的结构，而非其权重或训练配置项(未经compile)。

1.训练完模型后

my_model_json=model.to_json()
path='.../.../xxx.json'
with open(path,'w') as f:
    f.write(my_model_json)

2.调用模型

import keras
from keras.models import model_from_json
path='.../.../xxx.json'
with open(path,'r') as f:
    my_model_json=f.read()
my_json_model=model_from_json(my_model_json)
my_json_model.summary()

（三）只保存/加载模型的权重

1.训练完模型后

path='.../.../xx.h5'
model.save_weights(path)

2.加载

①非按名

path='.../.../xx.h5'
model.load_weights(path)

②按名（可用来只加载部分权重——只需new_model与原model的名称部分相同部分不同即可）

path='.../.../xx.h5'
model.load_weights(path,by_name=True)

（四）checkpoint

1.训练模型

checkpoint_path='.../.../xx'
cp_callback=keras.callback.ModelCheckpoint(checkpoint_path, monitor='val_loss',verbose=0, save_best_only=False,save_weights_only=False,mode='auto', save_freq='epoch', options=None)
history=model.fit(train_image,train_label,epochs=3,batch_size=512,validation_data=(test_image,test_label),callbacks=[cp_callback])

2.调用

同上1/3中的调用，只需把path换成checkpoint_path