保存并加载keras深度学习模型

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))