keras中保存模型之save()和save_weights()的区别

我们知道keras的模型一般保存为后缀名为h5的文件，比如final_model.h5。同样是h5文件用save()和save_weight()保存效果是不一样的。

我们以MNIST数据集为例来设计模型LeNet5验证。

1、设计模型（LeNet5）

def lenet5_mode(input_shape, classes):
    model = Sequential()
    #layer1
    model.add(Conv2D(filters=20,kernel_size=(5,5), padding='same', input_shape=input_shape))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))

    #layer2
    model.add(Conv2D(filters=50, kernel_size=(5,5), padding='same'))
    model.add(Activation('relu'))
    model.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))

    #layer3
    model.add(Flatten())
    model.add(Dense(500))
    model.add(Activation('relu'))
   # model.add(Dropout(0.5))

    #layer4
    model.add(Dense(classes))
    model.add(Activation('softmax'))

    return model

2、导入数据

def load_mnist_data():
    (X_train, y_train), (X_test, y_test) = mnist.load_data()
    X_train = X_train.reshape(X_train.shape[0],28, 28, -1)
    X_test = X_test.reshape(X_test.shape[0], 28, 28, -1)

    X_train = X_train/255.0
    X_test = X_test/255.0

    y_train=np_utils.to_categorical(y_train,num_classes=10)
    y_test=np_utils.to_categorical(y_test,num_classes=10)

    return X_train, y_train, X_test, y_test

3、训练模型并保存

def main():
    X_train, y_train, X_test, y_test = load_mnist_data()

    input_shape = (28, 28, 1)
    classes = 10
    model = lenet5_mode(input_shape, classes)

    model.save('model1.h5')
    model.summary()

    model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
    model.fit(X_train, y_train, batch_size=32, epochs=10, validation_data=(X_test, y_test))

    model.save('model2.h5')
    model.save_weights('model3.h5')

该函数中共保存了三个模型：model1.h5、model2.h5、model3.h5

通过命令：du -h *.h5 可以查看三个模型的大小

4、模型保存说明

model2.h5表示save()保存的模型结果，它既保持了模型的图结构，又保存了模型的参数，所以它的size最大的。

model1.h5表示save()保存的训练前的模型结果，它保存了模型的图结构，但应该没有保存模型的初始化参数，所以它的size要比model2.h5小很多。

model3.h5表示save_weights()保存的模型结果，它只保存了模型的参数，但并没有保存模型的图结构。所以它的size也要比model2.h5小很多。

即：save()保存模型权重参数和网络结构，save_weights()仅保存模型的权重参数。

5、模型加载预测

两种不同方法保存的模型文件也需要用不同的加载方法。

对于前者model1.h5和model2.h5，里面含有网络结构和权重参数，加载较为简单

from keras.models import load_model
 
model = load_model('model1.h5')
#mode2 = load_model('model2.h5')
model.summary()  #该函数主要展示网络结构

对于后者model3.h5中不含有网络结构，因此稍微复杂点，需要构建响应的网络结构

input_shape = (28, 28, 1)
classes = 10
model = lenet5_mode(input_shape, classes)
model.load_weights('model3.h5')
model.summary()