keras的模型保存与加载

在Keras中，我们常用到的保存模型的方式有四种：

model.save()
model.save_weights()
model.to_json()
model.to_yaml()

1.1 model.save()

这种方法是将Keras模型和权重保存在一个HDF5文件中，具体的方法：

save_path = r'F:\kerasdataset\mnist_test.h5'
model.save(save_path)

我们也可以使用代码来进行读取：

import h5py
# 模型地址
MODEL_PATH = r'F:\kerasdataset\mnist_test.h5'
# 获取每一层的连接权重及偏重
print("读取模型中...")
with h5py.File(MODEL_PATH, 'r') as f:
   dense_1 = f['/model_weights/dense_1/dense_1']
   dense_1_bias =  dense_1['bias:0'][:]
   dense_1_kernel = dense_1['kernel:0'][:]

   dense_2 = f['/model_weights/dense_2/dense_2']
   dense_2_bias = dense_2['bias:0'][:]
   dense_2_kernel = dense_2['kernel:0'][:]

print("第一层的连接权重矩阵：\n%s\n"%dense_1_kernel)
print("第一层的连接偏重矩阵：\n%s\n"%dense_1_bias)
print("第二层的连接权重矩阵：\n%s\n"%dense_2_kernel)
print("第二层的连接偏重矩阵：\n%s\n"%dense_2_bias)

 HDFView软件来打开这个保存的文件

1.2 model.save_weights()
这种也是获取网络权重的方法，其使用方法如下：

model_save_path =r'F:\kerasdataset\mnist_test.h5'
model.save_weights(model_save_path, by_name=True)

by_name这个参数有两种情况，默认为False:

by_name=False 的时候按照网络的拓扑结构来进行加载权重的。

by_name=True 的时候就是按照网络层名称进行加载权重的。

1.3 model.to_json()
这种方法只保存了模型结构，没有包含其权重信息，其使用方法如下：

json_save = model.to_json()
with open("modelsave.json", "w") as f:
  f.write(json_save)

1.4 model.to_yaml()
这种方法和model.to_json()一样，其用法如下：

yaml_save = model.to_yaml()
with open("modelsave.yaml", "w") as f:
  f.write(yaml_save)

上述方法中，最常用的还是model.save() 和model.save_weights()两种方式。

二、Keras模型的加载

模型的加载很简单，我们对不同的保存方式进行不同的加载即可：

2.1 model.save()方式模型的加载

from keras.models import load_model
save_path = r'F:\kerasdataset\mnist_test.h5'
model = load_model(save_path)

2.2 model.save_weights()方式模型的加载

model_save_path =r'F:\kerasdataset\mnist_test.h5'
model = model.load_weights(model_save_path)

2.3 model.to_json()和model.to_yaml()方式模型的加载

from keras.models import model_from_json
from keras.models import model_from_yaml
model_json = model_from_json(json_save)
model_yaml = model_from_yaml(yaml_save)

我们来总结一下他们的区别：

三、Keras模型的继续训练

在实际的项目中，如果一个模型的训练时间很长(或者某种情况先要暂停)，我们可以训练到某一个周期以后暂停模型的训练，等到需要的时候接着训练。那么这样的方案该怎么解决：

假设我们在模型的训练结尾使用

model.save(r'F:\kerasdataset\mnist_test.h5')

保存模型的操作。

接下来我们来看怎么继续加载这个模型进行训练，我们只需load后进行fit:

# 载入模型
model = load_model(r'F:\kerasdataset\mnist_test.h5')
# 继续训练模型2个epochs
model.fit(X_train, y_train, batch_size=64, epochs=2)

以上就是模型的加载和接着训练，下面如果要进行模型的评价和预测的话，可以参照手写字体识别的代码。