Keras是一个用于深度学习的简单而强大的Python库。 鉴于深度学习模式可能需要数小时、数天甚至数周的时间来培训,了解如何保存并将其从磁盘中加载是很重要的。 在本文中,您将发现如何将Keras模型保存到文件中
keras是用于深度学习的简单而强大的 python 库,鉴于深度学习模式可能需要数小时、数天甚至数周的时间来训练,了解如何保存并将其从发磁盘中加载是很重要的。这里,重点讲下怎么将keras模型保存到文件中:
首先,keras 将保存模型体系结构和保存模型权重的关注点分离开来,①模型权重被保存为HDF5格式,这是一种网格格式,适合存储数字的多维数组;②模型结构可以用两种格式来描述:JSON 和 YAML,本人更多关注在JSON用例上,因为json 是一种轻量级的数据交换格式。
keras 提供了 to_json() 函数将模型结构保存成 json 格式,提供了 model_from_json() 函数加载模型结构;
keras 提供了 save_weights() 函数保存权重,使用 load_weights() 加载权重;
注:
1.使用加载的模型前必须先编译它;
2.如果保存 h5 文件是发生如下错误
Process finished with exit code -1073741819 (0xC0000005)
可以用更新命令解决:
pip install --upgrade h5py
# MLP for Pima Indians Dataset Serialize to JSON and HDF5 from keras.models import Sequential from keras.layers import Dense from keras.models import model_from_json import numpy import os # fix random seed for reproducibility numpy.random.seed(7) # load pima indians dataset dataset = numpy.loadtxt('pima-indians-diabetes.csv', delimiter=',') # split into input (X) and output (Y) variables X = dataset[:,0:8] Y = dataset[:,8] # create model model = Sequential() model.add(Dense(12, input_dim=8, kernel_initializer='uniform', activation='relu')) model.add(Dense(8, kernel_initializer='uniform', activation='relu')) model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid')) # Compile model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Fit the model model.fit(X, Y, epochs=150, batch_size=10, verbose=0) # evaluate the model scores = model.evaluate(X, Y, verbose=0) print('%s: %.2f%%' % (model.metrics_names[1], scores[1]*100)) # serialize model to JSON model_json = model.to_json() with open('model.json', 'w') as json_file: json_file.write(model_json) # serialize weights to HDF5 model.save_weights('model.h5') print('Saved model to disk') # later... # load json and create model json_file = open('model.json', 'r') loaded_model_json = json_file.read() json_file.close() loaded_model = model_from_json(loaded_model_json) # load weights into new model loaded_model.load_weights('model.h5') print('Loaded model from disk') # evaluate loaded model on test data loaded_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) score = loaded_model.evaluate(X, Y, verbose=0) print('%s: %.2f%%' % (loaded_model.metrics_names[1], score[1]*100))