Keras模型保存的几个方法和它们的区别
model.save()
model_save_path = "model_file_path.h5"
# 保存模型
model.save(model_save_path)
# 删除当前已存在的模型
del model
# 加载模型
from keras.models import load_model
model = load_model(model_save_path)
model.save_weights()
model_save_path = "model_file_path.h5"
# 保存模型权重
model.save_weights(model_save_path)
# 加载模型权重
model.load_weights(model_save_path)
model.to_json()
# 保存模型网络结构
json_string = model.to_json()
with open("model_save_file.json", "w") as f:
f.write(json_string) # 将模型转为json文件后的字符串写入本地
# 读取模型网络结构
from keras.models import model_from_json
with open("model_save_file.json", "r") as f:
json_string = f.read() # 读取本地模型的json文件
model = model_from_json(json_string) # 创建一个模型
model.to_yaml()
# 保存模型网络结构
yaml_string = model.to_yaml()
with open("model_save_file.yaml", "w") as f:
f.write(yaml_string) # 将模型转为yaml文件后的字符串写入本地
# 读取模型网络结构
from keras.models import model_from_yaml
with open("model_save_file.yaml", "r") as f:
yaml_string = f.read() # 读取本地模型的yaml文件
model = model_from_yaml(yaml_string) # 创建一个模型
四种保存模型的联系与区别
项目 是否保存模型结构 是否保存模型权重 是否能继续训练网络 是否能进行模型预测 model.save() 是 是 是 是 model.save_weights() 否 是 否 是 model.to_json() 是 否 否 加载权重后能进行正常预测 model.to_yaml() 是 否 否 加载权重后能进行正常预测