8、Keras如何保存和载入训练好的模型和参数

<p>Keras如何保存和载入训练好的模型和参数</p> <p>1，保存模型：</p> <pre><code>my_model = create_model_function( ...... ) my_model.compile( ...... ) my_model.fit( ...... ) model_name . save( filepath, overwrite: bool=True, include_optimizer: bool=True )</code></pre> <p>filepath：保存的路径</p> <p>overwrite：如果存在源文件，是否覆盖</p> <p>include_optimizer：是否保存优化器状态</p> <pre><code>ex : mymodel.save(filepath="p402/my_model.h5", includeoptimizer=False)</code></pre> <p>2, 载入模型:</p> <pre><code>my_model = keras . models . load_model( filepath )</code></pre> <p>载入后可以继续训练：</p> <pre><code>my_model . fit( X_train_2，Y_train_2 )</code></pre> <p>也可以直接评估：</p> <pre><code>preds = my_model . evaluate( X_test, Y_test ) print ( "Loss = " + str( preds[0] ) ) print ( "Test Accuracy = " + str( preds[1] ) )</code></pre> <p>3, 如果仅保存模型的结构，而不包含其权重或配置信息，可以使用：</p> <pre><code># save as JSON json_string = model.to_json() # save as YAML yaml_string = model.to_yaml()</code></pre> <p>     从保存好的json文件或yaml文件中载入模型：</p> <pre><code># model reconstruction from JSON: from keras.models import model_from_json model = model_from_json(json_string) # model reconstruction from YAML model = model_from_yaml(yaml_string)</code></pre> <p>4，如果需要保存模型的权重，可通过下面的代码利用HDF5进行保存：</p> <pre><code>model.save_weights('my_model_weights.h5') 若在代码中初始化一个完全相同的模型，请使用： model.load_weights('my_model_weights.h5')</code></pre> <p>5，若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，可通过层名字来加载模型：</p> <pre><code>model.load_weights('my_model_weights.h5', by_name=True)</code></pre> <p>如：</p> <p>假如原模型为：</p> <pre><code>model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) model.add(Dense(3, name="dense_2")) ... model.save_weights(fname) # new model model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded model.add(Dense(10, name="new_dense")) # will not be loaded # load weights from first model; will only affect the first layer, dense_1. model.load_weights(fname, by_name=True)</code></pre> <hr /> <p>作者：wslkd0123 来源：CSDN 原文：<a href="https://blog.csdn.net/wslkd0123/article/details/80647041">https://blog.csdn.net/wslkd0123/article/details/80647041</a> 版权声明：本文为博主原创文章，转载请附上博文链接！</p>