Keras保存模型

2019 年 11 月 4 日
笔记

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))