keras 模型、结构、权重的保存

如何将训练好的网络进行保存，我们可以用pickle或cPickle来保存Keras模型，同时我们可以用下面的方法：

一、保存整个模型

model.save(filepath)将Keras模型和权重保存在一个HDF5文件中，该文件将包含：

模型的结构
模型的权重
训练配置（损失函数，优化器，准确率等）
优化器的状态，以便于从上次训练中断的地方
       前提是已经安装python的h5py包.
       from keras.models import load_model
       当我们再一次使用时可以model.load_model(filepath)载入模型

二、保存模型的结构
    model.to_jason()将模型序列化保存为json文件，里面记录了网络的整体结构, 各个层的参数设置等信息. 将json字符串保存到文件.
    open（‘filename.json','w'）.write(json_string)
    from keras.models import model_form_json
    json_string=open('filename.json').read()
    model=model_from_json(json_string)
    除了json格式,还可以保存为yaml格式的字符串，形式与JSON一样

三、保存模型权重
    model.save_weights()
  我们经过调参后网络的输出精度比较满意后,可以将训练好的网络权重参数保存下  来.可通过下面的代码利用HDF5进行保存 
model.save_weights(‘model_weights.h5’)

使用的时加载模型: 
model.load_weights(‘model_weights.h5’)

如果你需要加载权重到不同的网络结构（有些层一样）中，例如fine-tune或transfer-learning，你可以通过层名字来加载模型： 
model.load_weights('my_model_weights.h5', by_name=True)

因此我们建模时最好给每个层定义名字

以上就是我们保存模型的三种方法，需要我们在实践时多总结。

--------------------- 
作者：AI东海 
来源：CSDN 
原文：https://blog.csdn.net/gdh756462786/article/details/79163278 
版权声明：本文为博主原创文章，转载请附上博文链接！