基于keras 模型、结构、权重保存的实现
如何将训练好的网络进行保存，我们可以用pickle或cPickle来保存Keras模型，同时我们可以用下面的方法：
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
当我们再一次使用时可以model.load_model(filepath)载入模型
二、保存模型的结构
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()
我们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')
使用的时加载模型:
model.load_weights(‘model_weights.h5')
如果你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，你可以通过层名字来加载模型：
model.load_weights('my_model_weights.h5', by_name=True)
因此我们建模时最好给每个层定义名字
以上就是我们保存模型的三种方法，需要我们在实践时多总结。
这篇基于keras 模型、结构、权重保存的实现就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
PyCharm+Pipenv虚拟环境开发和依赖管理的教程详解
这篇文章主要介绍了PyCharm+Pipenv虚拟环境作开发和依赖管理的教程，本文通过图文并茂的形式给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下2020-04-04
Python中用于文件目录操作的常用模块有os, shutil，pathlib等。os模块提供的就是各种 Python 程序与操作系统进行交互的接口。shutil模块是对os模块的补充，主要针对文件的拷贝、删除、移动、压缩和解压操作2022-07-07
这篇文章主要介绍了python多进程实现进程间通信实例，具有一定参考价值，需要的朋友可以了解下。2017-11-11
在本篇文章里小编给大家分享的是一篇关于python能否java成为主流语言的相关知识点，有兴趣的朋友们参考下。2020-06-06
这篇文章主要介绍了Python openpyxl模块原理及用法解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-01-01
这篇文章主要介绍了Django静态文件加载失败解决方案,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-08-08
Python调用高德API实现批量地址转经纬度并写入表格的功能
这篇文章主要介绍了Python调用高德API实现批量地址转经纬度并写入表格的功能,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2021-01-01
如何以Winsows Service方式运行JupyterLab
这篇文章主要介绍了如何以Winsows Service方式运行JupyterLab的教程2020-08-08
最近开始学习python相关知识,看最近有不少随机抽奖小程序,自己也做一个试试,下面这篇文章主要给大家介绍了关于如何利用Python实现一个简单的抽奖小程序的相关资料,需要的朋友可以参考下2023-05-05
如何使用draw.io插件在vscode中一体化导出高质量图片
这篇文章主要介绍了draw.io插件在vscode中一体化导出高质量图片需要的工具是vscode, draw.io扩展，draw.io桌面版 、python，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴,需要的朋友可以参考下2022-08-08
最新评论