Keras模型的保存与调用

一、模型的保存（结构 + 权重 + 优化器状态）

1、model.save('model.h5')#保存名为model的h5文件到程序所在目录

你可以使用 model.save(filepath) 将 Keras 模型保存到单个 HDF5 文件中，该文件将包含：

模型的结构，允许重新创建模型
模型的权重
训练配置项（损失函数，优化器）
优化器状态，允许准确地从你上次结束的地方继续训练。

2、如果只需要保存模型的结构，而非其权重或训练配置项，则可以执行以下操作：

# 保存为 JSON
json_string = model.to_json()# 保存为 YAML
yaml_string = model.to_yaml()

你可以从这些数据建立一个新的模型：

# 从 JSON 重建模型：
from keras.models import model_from_json
model = model_from_json(json_string)# 从 YAML 重建模型：
from keras.models import model_from_yaml
model = model_from_yaml(yaml_string)

3、只保存/加载模型的权重

如果您只需要 模型的权重，可以使用下面的代码以 HDF5 格式进行保存。

请注意，我们首先需要安装 HDF5 和 Python 库 h5py，它们不包含在 Keras 中。

model.save_weights('my_model_weights.h5')

假设你有用于实例化模型的代码，则可以将保存的权重加载到具有相同结构的模型中：

model.load_weights('my_model_weights.h5')

如果你需要将权重加载到不同的结构（有一些共同层）的模型中，例如微调或迁移学习，则可以按层的名字来加载权重：

model.load_weights('my_model_weights.h5', by_name=True)

例子：

"""
假设原始模型如下所示：model = Sequential()model.add(Dense(2, input_dim=3, name='dense_1'))model.add(Dense(3, name='dense_2'))...model.save_weights(fname)
"""# 新模型
model = Sequential()
model.add(Dense(2, input_dim=3, name='dense_1'))  # 将被加载
model.add(Dense(10, name='new_dense'))  # 将不被加载# 从第一个模型加载权重；只会影响第一层，dense_1
model.load_weights(fname, by_name=True)

二、模型的加载

from keras.models import load_model
model = load_model('model.h5')#载入程序所在目录下名为model的h5模型框架参数

三、模型使用（图像分类模型）

1、model.predict()

当使用predict()方法进行预测时，返回值是数值，表示样本属于每一个类别的概率，我们可以使用numpy.argmax()方法找到样本以最大概率所属的类别作为样本的预测标签。

numpy.argmax(a)返回数组a中最大值所在的位置

# 对图像进行分类
preds = model.predict(x)
print(pred)
#输出[[2.69979779e-07 1.50991557e-03 9.40957308e-01 1.53805502e-095.74169382e-02 2.00743049e-08 5.82429775e-13 1.47752353e-086.25503671e-05 5.33912718e-08 4.72215740e-18 2.97202235e-168.11012334e-19 7.12863546e-10 1.55264762e-17 5.29809076e-057.24748874e-13 2.17059953e-23 6.66066933e-14 2.31473064e-143.67295783e-22 1.20753088e-08 1.15534161e-15 1.17659593e-171.29246865e-11 4.85833094e-14 8.04590889e-18 3.75492511e-162.33098371e-12 1.86269444e-09 6.25299688e-20 8.06493845e-163.69524827e-10 2.54514406e-15 6.45201473e-17 2.72551604e-143.49192212e-15 1.93733091e-21 1.64267204e-16 1.12610542e-151.17868511e-13 6.89566958e-18 1.75072841e-19]]

2、 predict_classes()方法

当使用predict_classes()方法进行预测时，返回的是类别的索引，即该样本所属的类别标签。

model.predict_classes(image)

输出：array([2], dtype=int64)，图像所在的种类。

Keras模型的保存与调用相关推荐

Keras——模型的保存、读取及加载
本文将会介绍如何利用Keras来实现模型的保存.读取以及加载. 本文使用的模型为解决IRIS数据集的多分类问题而设计的深度神经网络(DNN)模型,模型的结构示意图如下: 具体的模型参数可以参考文章 ...
【机器学习——决策树】——两种方法实现，含模型的保存和调用
目录 1.ID3算法 2.使用sklearn API--模型保存和调用成功 1.ID3算法以下实现了决策树的创建.可视化绘制.决策树的保存和调用但是在利用决策树进行预测的时候出现错误分类代码 # ...
[转载] 机器学习模型的保存和调用
参考链接: Python保存机器学习模型 1.使用python自带的pickle from sklearn.ensemble import RandomForestClassifier from sk ...
Keras中的各种Callback函数示例（含Checkpoint模型的保存、读取示例）-----记录
本文整理了绝大多数keras里的Callback回调)函数,并且收集了代码调用示例. 大多数内容整理自网络,参考资料已在文章最后给出. 回调函数Callbacks 回调函数是一组在训练的特定阶段被调用 ...
【TensorFlow-windows】keras接口——卷积手写数字识别，模型保存和调用
前言上一节学习了以TensorFlow为底端的keras接口最简单的使用,这里就继续学习怎么写卷积分类模型和各种保存方法(仅保存权重.权重和网络结构同时保存) 国际惯例,参考博客: 官方教程 [注] ...
keras模型保存和加载
(一)保存和加载整个模型包含模型的结构.权重.训练配置项(损失函数.优化器).优化器状态,允许准确地从上次结束的地方开始训练. 1.训练完模型后 path='.../.../xxx.h5' mo ...
Sklearn，TensorFlow，keras模型保存与读取
一.sklearn模型保存与读取 1.保存 1 from sklearn.externals import joblib 2 from sklearn import svm 3 X = [[0, 0 ...
keras保存模型_onnx+tensorrt部署keras模型
由于项目需要,最近捣鼓了一波如何让用tensorrt部署训练好的模型来达到更快的推理速度,期间花费了大量的时间在知乎和各种网页上去搜索别人的方案,但始终没有找到我想要的条理相对清晰的记录贴(也许只是我 ...
keras从入门到放弃(十四）模型的保存
今天来探讨模型的保存 Keras使用HDF5文件系统来保存模型.模型保存的方法很容易,只需要使用save()方法即可. 上次训练好了手写数字识别数据集,今天学会如何保存数据集保存/加载整个模型 Ke ...

Keras模型的保存与调用

Keras模型的保存与调用相关推荐

最新文章

热门文章