Keras 是源于 Theano 或 者TensorFlow 的一个深度学习框架,它的设计来源于Torch,编程语言使用的是 Python ,是一个拥有强大功能、内容抽象,而且高度模块化的神经网络库。
今天小编给大家分享的就是Keras 模型的保存与加载,希望对大家学习和使用Keras 有所帮助。
一、Keras模型保存和加载的基础介绍
Keras模型保存和加载一般是保存成hdf5格式。Keras模型主要有两种,序贯模型即Sequential、以及函数式模型Model,相对来说函数模型Model使用范围更广,序贯模型Sequential可看作是函数模型的一种特殊情况。
两类模型有一些方法是相同的:
model.summary():打印模型概况
model.get_config():返回包含模型配置信息的Python字典。
model.get_layer():依据层名或下标获得层对象
model.get_weights():返回模型权重张量的列表,类型为numpy array
model.set_weights():从numpy array里将权重载入给模型,要求数组具有与model.get_weights()相同的形状。
model.to_json:返回代表模型的JSON字符串,仅包含网络结构,不包含权值。
model.to_yaml:与model.to_json类似,同样可以从产生的YAML字符串中重构模型
model.save_weights(filepath):将模型权重保存到指定路径,文件类型是HDF5(后缀是.h5)
model.load_weights(filepath, by_name=False):从HDF5文件中加载权重到当前模型中, 默认情况下模型的结构将保持不变。如果想将权重载入不同的模型(有些层相同)中,则设置by_name=True,只有名字匹配的层才会载入权重
二、Keras模型保存和加载方式
1.保存所有状态
(1)保存模型和模型图
# 保存模型 model.save(file_path) model_name = '{}/{}_{}_{}_v2.h5'.format(params['model_dir'],params['filters'],params['pool_size_1'],params['pool_size_2']) model.save(model_name) # 保存模型图 from keras.utils import plot_model # 需要安装pip install pydot model_plot = '{}/{}_{}_{}_v2.png'.format(params['model_dir'],params['filters'],params['pool_size_1'],params['pool_size_2']) plot_model(model, to_file=model_plot)
(2)加载模型
from keras.models import load_model model_path = '../docs/keras/100_2_3_v2.h5' model = load_model(model_path)
利弊分析:
a.模型保存和加载就只需一行代码,写起来简单快捷
b.既能保存模型的结构和参数,又能保存训练配置等信息。方便我们从上次训练中断的地方再次进行训练优化。
c.占用空间过大,上传或者同步费时。
2.只保存模型结构和模型参数
(1)保存模型
import yaml import json # 保存模型结构到yaml文件或者json文件 yaml_string = model.to_yaml() open('../docs/keras/model_architecture.yaml', 'w').write(yaml_string) # json_string = model.to_json() # open('../docs/keras/model_architecture.json', 'w').write(json_string) # 保存模型参数到h5文件 model.save_weights('../docs/keras/model_weights.h5')
(2)加载模型
import yaml import json from keras.models import model_from_json from keras.models import model_from_yaml # 加载模型结构 model = model_from_yaml(open('../docs/keras/model_architecture.yaml').read()) # model = model_from_json(open('../docs/keras/model_architecture.json').read()) # 加载模型参数 model.load_weights('../docs/keras/model_weights.h5')
利弊分析:
a.能够节省硬盘空间,便于同步和协作
b.会丢失训练的一部分配置信息
数据分析咨询请扫描二维码
数据挖掘是现代企业利用数据驱动决策的重要工具。它涉及从大量数据中提取隐藏的、先前未知但潜在有用的信息,依托人工智能、机器 ...
2024-10-23在当前数据驱动的商业环境中,数据分析师的角色变得越来越重要。想要踏入这一领域并取得成功,不仅需要扎实的技术基础,还需要不 ...
2024-10-23数据分析是一个广泛而又精细的领域,它结合了统计学、计算机科学、商业策略以及数据科学等多个学科的知识。这个领域日新月异的发 ...
2024-10-23在现代企业中,数字化管理师扮演着至关重要的角色。他们不仅帮助企业优化资源配置,还推动企业的数字化转型。要成为一名合格的数 ...
2024-10-23大数据专业是一个跨学科的领域,涵盖了数学、统计学、计算机科学与技术等多个学科。随着数据在各个行业中的重要性日益增加,大数 ...
2024-10-23大数据分析师培训教程-2.1 Hadoop入门-Hadoop 1.0 的局限与 Hadoop 2.0(YARN)的革新 Hadoop简介Hadoop 的生态系统HDFS 的原理 ...
2024-10-232024,您是否渴望在数据领域探索更广阔的职业机遇? 数字化时代,数据量级每年都在呈指数级增长。据统计,全球互联网用户每天产 ...
2024-10-21数据科学专业是一门跨学科的综合性学科,涵盖了数学、统计学、计算机科学等多个领域。其核心目标是通过数据的收集、处理和分析来 ...
2024-10-21Python是一种高级解释性编程语言,由Guido van Rossum于1991年创造。凭借其简单易学、代码可读性强和功能强大的特点,Python已经 ...
2024-10-21在当今数据驱动的世界中,选择学习Hadoop已成为许多数据分析师和IT专业人士的必修课。Hadoop不仅是大数据处理领域的核心技术之一 ...
2024-10-21数据开发工程师在当今数据驱动的世界中扮演着至关重要的角色。他们不仅负责数据的采集和处理,还在数据仓库建设、系统开发和数据 ...
2024-10-20在当今快速变化的数字经济时代,数字化转型已经成为企业实现持续增长和竞争优势的关键。数字化转型不仅仅是技术的变革,更是组织 ...
2024-10-19在当今快速发展的科技时代,数字经济已成为全球经济的重要组成部分。选择数字经济专业,不仅能为你打开通往多个行业的大门,还能 ...
2024-10-18学习统计学与大数据分析具有显著的优势,能够帮助你走向高薪岗位。在数字化时代背景下,统计学和大数据分析展现出强大的就业潜力 ...
2024-10-18在当今的数字时代,数据科学与大数据技术专业的就业方向极为广泛,涵盖了多个领域和岗位。随着数据成为企业决策的重要依据,行业 ...
2024-10-18大数据技术与应用领域正在迅速发展,成为现代经济和科技发展的重要驱动力。随着数据量的爆炸式增长,各行各业对大数据专业人才的 ...
2024-10-18在当今数据驱动的商业环境中,数据分析软件已成为企业决策过程中不可或缺的工具。随着数据量的激增和分析需求的复杂化,选择合适 ...
2024-10-18在当今数据驱动的世界中,数据分析已成为许多行业不可或缺的一部分。无论是企业决策、市场营销,还是产品开发,数据分析都能提 ...
2024-10-18数据分析在现代企业中扮演着至关重要的角色,帮助企业在竞争激烈的市场中做出明智的决策。随着数据量的不断增长,企业需要依赖先 ...
2024-10-18CDA(Certified Data Analyst)认证在数据分析领域具有显著的作用,具体包括以下几个方面: 1. 专业技能认可 CDA认证是数据分析 ...
2024-10-17