Keras——模型的保存、读取及加载

本文将会介绍如何利用Keras来实现模型的保存、读取以及加载。

  本文使用的模型为解决IRIS数据集的多分类问题而设计的深度神经网络（DNN）模型，模型的结构示意图如下：

具体的模型参数可以参考文章：Keras入门（一）搭建深度神经网络（DNN）解决多分类问题。

模型保存

  Keras使用HDF5文件系统来保存模型。模型保存的方法很容易，只需要使用save()方法即可。
  以Keras入门（一）搭建深度神经网络（DNN）解决多分类问题中的DNN模型为例，整个模型的变量为model，我们设置模型共训练10次，在原先的代码中加入Python代码即可保存模型：

    # save model
    print("Saving model to disk \n")
    mp = "E://logs/iris_model.h5"
    model.save(mp)

保存的模型文件（iris_model.h5）如下：

模型读取

  保存后的iris_model.h5以HDF5文件系统的形式储存，在我们使用Python读取h5文件里面的数据之前，我们先用HDF5的可视化工具HDFView来查看里面的数据：

  我们感兴趣的是这个模型中的各个神经层之间的连接权重及偏重，也就是上图中的红色部分，model_weights里面包含了各个神经层之间的连接权重及偏重，分别位于dense_1,dense_2,dense_3中。蓝色部分为dense_3/dense_3/kernel:0的数据，即最后输出层的连接权重矩阵。
  有了对模型参数的直观认识，我们要做的下一步工作就是读取各个神经层之间的连接权重及偏重。我们使用Python的h5py这个模块来这个iris_model.h5这个文件。关于h5py的快速入门指南，可以参考文章：h5py快速入门指南。
  使用以下Python代码可以读取各个神经层之间的连接权重及偏重数据：

import h5py

# 模型地址
MODEL_PATH = ‘E://logs/iris_model.h5’

# 获取每一层的连接权重及偏重
print(“读取模型中…”)
with h5py.File(MODEL_PATH, ‘r’) as f:
dense_1 = f[’/model_weights/dense_1/dense_1’]
dense_1_bias = dense_1[‘bias:0’][:]
dense_1_kernel = dense_1[‘kernel:0’][:]

dense_2 <span class="token operator">&#61;</span> f<span class="token punctuation">[</span><span class="token string">&#39;/model_weights/dense_2/dense_2&#39;</span><span class="token punctuation">]</span>
dense_2_bias <span class="token operator">&#61;</span> dense_2<span class="token punctuation">[</span><span class="token string">&#39;bias:0&#39;</span><span class="token punctuation">]</span><span class="token punctuation">[</span><span class="token punctuation">:</span><span class="token punctuation">]</span>
dense_2_kernel <span class="token operator">&#61;</span> dense_2<span class="token punctuation">[</span><span class="token string">&#39;kernel:0&#39;</span><span class="token punctuation">]</span&