深度学习中如何实现Keras模型加载和保存？

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