7. keras - 模型的保存与载入

• 需要安装h5py：pip install h5py

1.模型的保存与加载

• 方法1：model.save()
  model.save('model_path.h5') # 保存模型
  model = load_model('model_path.h5') # 加载模型, 需要from keras.models import load_model
  说明：
  • 优点：保存整个模型(包括结构和权重)，加载时只需要直接加载指定路径下的model即可。
  • 缺点：①如果有自定义的层(如：MyLayer1)，则需要使用代码model = load_model('model.h5', custom_objects={'MyLayer1': MyLayer1, 'tf': tf} )来加载model，即还是需要重新定义层； ②相比于save_weights而言，由于还要保存结构信息，所以保存下载的模型占的存储空间比较大
  • 总之，save()保存的模型除了占用内存大一点以外，其他的优点太明显了。所以，在不怎么缺硬盘空间的情况下，还是建议大家多用save()来存。
• 方法2：model.save_weights()
  model.save_weights('model_path.h5') # 保存模型权重
  model.load_weights('model_path.h5') # 加载模型权重
  说明：需要先把模型定义出来，然后再加载权值。
• 方法3和方法4：model.to_json()和model.to_yaml()
  本人使用的不多，可以参考：Keras模型保存的几个方法和它们的区别
  或者keras的官网：Model saving & serialization APIs

2.代码案例

保存模型

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD

# 载入数据
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 换one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)

# 创建模型，输入784个神经元，输出10个神经元
model = Sequential([
        Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')
    ])

# 定义优化器
sgd = SGD(lr=0.2)

# 定义优化器，loss function，训练过程中计算准确率
model.compile(
    optimizer = sgd,
    loss = 'mse',
    metrics=['accuracy'],
)

# 训练模型
model.fit(x_train,y_train,batch_size=64,epochs=5)

# 评估模型
loss,accuracy = model.evaluate(x_test,y_test)

print('\ntest loss',loss)
print('accuracy',accuracy)

# 保存模型
model.save('model.h5')   # HDF5文件，pip install h5py

加载模型

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
from keras.models import load_model

# 载入数据
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 换one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)

# 载入模型
model = load_model('model.h5')

# 评估模型
loss,accuracy = model.evaluate(x_test,y_test)

print('\ntest loss',loss)
print('accuracy',accuracy)

在原有模型的基础上，再迭代训练两个周期，以提高精确度

# 训练模型
model.fit(x_train,y_train,batch_size=64,epochs=2)

# 评估模型
loss,accuracy = model.evaluate(x_test,y_test)

print('\ntest loss',loss)
print('accuracy',accuracy)

• 保存模型的参数或者保存模型的网络结构

# 保存参数，载入参数
model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')
# 保存网络结构，载入网络结构
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)

print(json_string)

参考：

视频： 覃秉丰老师的“Keras入门”：http://www.ai-xlab.com/course/32
博客参考：https://www.cnblogs.com/XUEYEYU/tag/keras%E5%AD%A6%E4%B9%A0/