目录
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
当再一次使用时可以model.load_model(filepath)载入模型。
二、保存模型结构
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()
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’)
使用时加载模型:
model.load_weights(‘model_weights.h5’)
如果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,可以通过层名字来加载模型: model.load_weights('my_model_weights.h5', by_name=True)
因此建模时最好给每个层定义名字。