30.模型保存

这一章我们主要介绍一下模型保存的方式，我们训练fashion_mnist这个数据集作为例子

首先导入库

之后导入数据集

归一化

建立模型

编译模型

训练模型，我们训练三个epoch就行

之后我们评估一下这个模型

其中有一个参数verbose，它有两个可选值，0或1，0是不显示，1是显示，默认为1

下面我们来保存模型，模型有三个部分组成，分别是

• 模型权重(每一层的可训练参数是多少)
• 模型架构(神经网络的每一层是什么)
• 优化器配置(神经网络的编译情况)

我们下面先保存整个模型，我们下面的所有代码均是在进行完model.fit之后再执行的

目录

1  保存整个模型

2  仅保存架构

3  仅保存权重

3.1  获取与设置权重

3.2  保存与读取

---

1  保存整个模型

我们之前保存的都是非h5文件，保存的是整个文件夹，那个是之前的写法，今后会逐渐废弃，我们一般将其保存为h5文件

之后我们依然使用tf.keras.models.load_model()就可以读取模型,我们新建一个文件

我们看一下这个模型

我们验证一下有没有保存权重，我们首先导入数据集，然后使用model.evaluate()评估一下

• 没有优化器是无法使用evaluate()进行评估的

2  仅保存架构

我们使用to_json()方法提取出模型架构

我们看一下json_config

可以发现json_config中记录了模型的很多属性，并且是一个str,我们可以把以上内容写到一个txt中

• json_config.txt如果没有的话会自动创建
• 仅保存架构就不需要再进行编译与训练了

我们打开看一下

发现字符串已经写入了json_config.txt，之后我们再另一个文件中进行调用

我们看一下这个模型

发现模型的架构被保存了下来

之后我们对这个模型评估一下

发现是无法评估的，因为我们当前的模型仅有架构，没有优化器

我们可以编译一下它再进行评估

发现可以评估

但效果不行，这个就表示，我们没有保存权重

3  仅保存权重

仅保存权重就使用在我们训练的过程中，我们训练中很有可能遇到突发情况打断训练，这个时候如果没有进行保存，我们就要重新开始训练，非常浪费时间，这个时候我们就需要保存一些东西，如果我们仅仅为了继续训练，我们仅保存权重就可以了，因为架构与编译在训练代码中一定是有的，如果将架构，权重，编译环境都保存就非常的浪费资源

3.1  获取与设置权重

我们先使用get_weights()，看一下权重是什么东西

发现是一个列表中包含了多个array

我们可以使用set_weight()将权重赋给模型，当然这对现在并没有什么用，只是展示一下有这样一个函数

3.2  保存与读取

我们可以使用save_weights()来仅仅保存权重

我们对比一下仅保存权重与刚刚全部保存模型的文件大小

发现权重文件比整体模型文件小了许多，这还是仅仅在只有三层的情况下

之后我们再另一个文件中使用load_weights()加载权重，刚刚我们先加载了模型架构，又增加了编译环节，之后我们对其加载权重

现在我们再对其进行评估

发现与我们之前训练的两个指标差不多