Keras 是源于 Theano 或 者TensorFlow 的一個(gè)深度學(xué)習(xí)框架，它的設(shè)計(jì)來源于Torch，編程語言使用的是 Python ，是一個(gè)擁有強(qiáng)大功能、內(nèi)容抽象，而且高度模塊化的神經(jīng)網(wǎng)絡(luò)庫。

今天小編給大家分享的就是Keras 模型的保存與加載，希望對(duì)大家學(xué)習(xí)和使用Keras 有所幫助。

一、Keras模型保存和加載的基礎(chǔ)介紹

Keras模型保存和加載一般是保存成hdf5格式。Keras模型主要有兩種，序貫?zāi)Ｐ图碨equential、以及函數(shù)式模型Model，相對(duì)來說函數(shù)模型Model使用范圍更廣，序貫?zāi)Ｐ蚐equential可看作是函數(shù)模型的一種特殊情況。

兩類模型有一些方法是相同的：

model.summary()：打印模型概況

model.get_config():返回包含模型配置信息的Python字典。

model.get_layer()：依據(jù)層名或下標(biāo)獲得層對(duì)象

model.get_weights()：返回模型權(quán)重張量的列表，類型為numpy array

model.set_weights()：從numpy array里將權(quán)重載入給模型，要求數(shù)組具有與model.get_weights()相同的形狀。

model.to_json：返回代表模型的JSON字符串，僅包含網(wǎng)絡(luò)結(jié)構(gòu)，不包含權(quán)值。

model.to_yaml：與model.to_json類似，同樣可以從產(chǎn)生的YAML字符串中重構(gòu)模型

model.save_weights(filepath)：將模型權(quán)重保存到指定路徑，文件類型是HDF5(后綴是.h5)

model.load_weights(filepath, by_name=False)：從HDF5文件中加載權(quán)重到當(dāng)前模型中, 默認(rèn)情況下模型的結(jié)構(gòu)將保持不變。如果想將權(quán)重載入不同的模型(有些層相同)中，則設(shè)置by_name=True，只有名字匹配的層才會(huì)載入權(quán)重

二、Keras模型保存和加載方式

1.保存所有狀態(tài)

(1)保存模型和模型圖

# 保存模型 model.save(file_path)
model_name = '{}/{}_{}_{}_v2.h5'.format(params['model_dir'],params['filters'],params['pool_size_1'],params['pool_size_2'])
model.save(model_name)

# 保存模型圖
from keras.utils import plot_model
# 需要安裝pip install pydot
model_plot = '{}/{}_{}_{}_v2.png'.format(params['model_dir'],params['filters'],params['pool_size_1'],params['pool_size_2'])
plot_model(model, to_file=model_plot)

(2)加載模型

from keras.models import load_model

model_path = '../docs/keras/100_2_3_v2.h5'
model = load_model(model_path)

利弊分析：

a.模型保存和加載就只需一行代碼，寫起來簡(jiǎn)單快捷

b.既能保存模型的結(jié)構(gòu)和參數(shù)，又能保存訓(xùn)練配置等信息。方便我們從上次訓(xùn)練中斷的地方再次進(jìn)行訓(xùn)練優(yōu)化。

c.占用空間過大，上傳或者同步費(fèi)時(shí)。

2.只保存模型結(jié)構(gòu)和模型參數(shù)

(1)保存模型

import yaml
import json

# 保存模型結(jié)構(gòu)到y(tǒng)aml文件或者json文件
yaml_string = model.to_yaml()
open('../docs/keras/model_architecture.yaml', 'w').write(yaml_string)
# json_string = model.to_json()
# open('../docs/keras/model_architecture.json', 'w').write(json_string)

# 保存模型參數(shù)到h5文件
model.save_weights('../docs/keras/model_weights.h5')

(2)加載模型

import yaml
import json
from keras.models import model_from_json
from keras.models import model_from_yaml

# 加載模型結(jié)構(gòu)
model = model_from_yaml(open('../docs/keras/model_architecture.yaml').read())
# model = model_from_json(open('../docs/keras/model_architecture.json').read())

# 加載模型參數(shù)
model.load_weights('../docs/keras/model_weights.h5')

利弊分析：

a.能夠節(jié)省硬盤空間，便于同步和協(xié)作

b.會(huì)丟失訓(xùn)練的一部分配置信息