keras保存训练好模型的方法

前言：本博客讲的比较基础，只适合刚入坑的小伙伴们阅读。

  一.加载好数据

  读者可以自己加载好任意数据集，笔者这里使用的是mnist数据集。

'''
制作人：追天一方
功能：keras模型的保存方法示例
笔者水平有限错误之处请包容
'''
import os
import tensorflow as tf
from tensorflow import keras

#示例数据集是mnist，只使用前一千个示例
(train_images,train_labels),(test_images,test_labels)=tf.keras.datasets.mnist.load_data()

#选取前一千个并且预处理
train_labels=train_labels[:1000]
test_labels=test_labels[:1000]
train_images=train_images[:1000].reshape(-1,28*28)/255.0
test_images=test_images[:1000].reshape(-1,28*28)/255.0

二.创建一个模型。

  笔者创建了一个简单的模型，读者也可以根据自己的需求创造模型。

#定义一个模型
def create_model():
    model=tf.keras.models.Sequential([
        keras.layers.Dense(512,activation='relu',input_shape=(784,)),
        keras.layers.Dropout(0.2),
        keras.layers.Dense(10)
    ])

    model.compile(optimizer='adam',
                  loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=[tf.metrics.SparseCategoricalAccuracy()])
    return model

#实列化模型
model=create_model()
#查看模型结构和参数
print(model.summary())

三.保存模型

  keras可以通过tf.keras.callbacks.ModelCheckpoint创建回调函数，然后将回调传入model.fit()函数当中，就可以实现间隔一定的训练批次保存模型或者模型权重，将tf.keras.callbacks.ModelCheckpoint函数中的save_weights_only参数设置为True表示只保存权重，反之则会保存整个模型。笔者代码示例是保存模型权重，如下：

checkpoint_path2=r'.\model_test\cp-{epoch:04d}.ckpt'
checkpoint_dir2=os.path.dirname(checkpoint_path2)

batch_size=32

#创建五个批次保存一次模型参数的回调
cp_callback2=tf.keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_path2,
    verbose=1,
    save_weights_only=True,
    save_freq=5*batch_size)

#实例化模型
model=create_model()


#使用checkpoint_path保存模型权重
model.save_weights(checkpoint_path2.format(epoch=0))

model.fit(train_images,train_labels,epochs=20,callbacks=[cp_callback2],
          validation_data=(test_images,test_labels),verbose=0)

# latest=tf.train.latest_checkpoint(checkpoint_dir2)

#加载模型评估
model=create_model()
#加载权重

model.load_weights(r'.\model_test\cp-0020.ckpt')

#评估模型
loss,acc=model.evaluate(test_images,test_labels,verbose=2)
print("准确率：{:5.2f}%".format(100*acc))