Keras保存模型

学习一时爽，一直学习一直爽

一旦你利用Keras完成了训练，你可以将你的网络保存在HDF5里面。

keras的模型保存分为多种情况。

一、不保存模型只显示大概结构 model.summary() 这个函数会打印模型结构，但是仅仅是打印到控制台。

keras.utils.plot_model() 使用graphviz中的dot.exe生成网络结构拓扑图

二、保存模型结构 keras.models.Model

对象的to_json,to_yaml只保存模型结构，加载时使用keras.models.model_from_json(),keras.models.model_from_yaml()

keras.model.get_config()返回文本形式的配置 使用keras.model.model_from_config可以加载模型。

三、保存全部结构（最常用的方法） keras.core.saving.py这个文件十分重要，keras的模型保存、加载都需要这个文件。 但是不建议直接使用这个文件，因为keras中的Model对象和models模块会调用这个文件。 keras.core包下的内容一般供内部使用，不暴露给使用者。

Model对象提供了save()和save_wights()两个方法。

只需要导入 from keras.models import model_from_json 就是这么简单

基于Iris数据集如何保存model

 ''' @author:?毛利 ''' from?sklearn?import?datasets import?numpy?as?np from?keras.models?import?Sequential from?keras.layers?import?Dense from?keras.utils?import?to_categorical from?keras.models?import?model_from_json   dataset?=?datasets.load_iris() x?=?dataset.data Y?=?dataset.target #?二分类??将标签转换成分类编码(每一列代表一类，是为1，否为0) Y_labels?=?to_categorical(Y,?num_classes=3) seed?=?4 np.random.seed(seed)  #?这里使用rmsprop优化器，adam也行 def?create_model(optimizer='rmsprop',?init='glorot_uniform'): ????model?=?Sequential() ????model.add(Dense(units=4,?activation='relu',?input_dim=4,?kernel_initializer=init)) ????model.add(Dense(units=6,?activation='relu',?kernel_initializer=init)) ????model.add(Dense(units=3,?activation='softmax',?kernel_initializer=init)) ????#?categorical:分类的??crossentropy:交叉熵 ????model测试数据pile(loss='categorical_crossentropy',?optimizer=optimizer,?metrics=['accuracy']) ????return?model     model?=?create_model() model.fit(x,?Y_labels,?epochs=200,?batch_size=5,?verbose=0) #?evaluate:?评价 scores?=?model.evaluate(x,?Y_labels,?verbose=0) print('%s:?%.2f%%'?%?(model.metrics_names[1],?scores[1]*100))  

可以保存yaml? from keras.models import model_from_yaml

 ''' @author:?毛利 ''' from?sklearn?import?datasets import?numpy?as?np from?keras.models?import?Sequential from?keras.layers?import?Dense from?keras.utils?import?to_categorical from?keras.models?import?model_from_yaml   dataset?=?datasets.load_iris() x?=?dataset.data Y?=?dataset.target #?将标签转换成分类编码(每一列代表一类，是为1，否为0) Y_labels?=?to_categorical(Y,?num_classes=3) seed?=?4 np.random.seed(seed)   def?create_model(optimizer='rmsprop',?init='glorot_uniform'): ????model?=?Sequential() ????model.add(Dense(units=4,?activation='relu',?input_dim=4,?kernel_initializer=init)) ????model.add(Dense(units=6,?activation='relu',?kernel_initializer=init)) ????model.add(Dense(units=3,?activation='softmax',?kernel_initializer=init)) ????#?categorical:分类的??crossentropy:交叉熵 ????model测试数据pile(loss='categorical_crossentropy',?optimizer=optimizer,?metrics=['accuracy']) ????return?model   model?=?create_model() model.fit(x,?Y_labels,?epochs=200,?batch_size=5,?verbose=0) #?evaluate:?评价 scores?=?model.evaluate(x,?Y_labels,?verbose=0) print('%s:?%.2f%%'?%?(model.metrics_names[1],?scores[1]*100))  #?将模型保存成YAML文件 model_yaml?=?model.to_yaml() with?open('model/model.yaml',?'w')?as?file: ????file.write(model_yaml) #?保存模型权重值 model.save_weights('model/model.yaml.h5') #?从YAML文件中加载模型 with?open('model/model.yaml',?'r')?as?file: ????model_yaml?=?file.read() #?加载模型 new_model?=?model_from_yaml(model_yaml) new_model.load_weights('model/model.yaml.h5') #?必须先编译模型 new_model测试数据pile(loss='categorical_crossentropy',?optimizer='rmsprop',?metrics=['accuracy']) #?评估从YAML文件中加载的模型 scores?=?new_model.evaluate(x,?Y_labels,?verbose=0) print('%s:?%.2f%%'?%?(new_model.metrics_names[1],?scores[1]*100))  

查看更多关于Keras保存模型的详细内容...