Keras保存模型
学习一时爽，一直学习一直爽
Hello，大家好，我是 もうり，一个从无到有的技术+语言小白。
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.compile(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.compile(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.compile(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))本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2019-10-31，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录