Keras保存模型

2019 年 11 月 4 日
筆記

學習一時爽，一直學習一直爽

Hello，大家好，我是もうり，一個從無到有的技術+語言小白。

一旦你利用Keras完成了訓練，你可以將你的網絡保存在HDF5裏面。

keras的模型保存分為多種情況。

一、不保存模型只顯示大概結構 model.summary() 這個函數會打印模型結構，但是僅僅是打印到控制台。

keras.utils.plot_model() 使用graphviz中的dot.exe生成網絡結構拓撲圖

二、保存模型結構 keras.models.Model

對象的to_json,to_yaml只保存模型結構，加載時使用keras.models.model_from_json(),keras.models.model_from_yaml()

keras.model.get_config()返迴文本形式的配置使用keras.model.model_from_config可以加載模型。

三、保存全部結構（最常用的方法） keras.core.saving.py這個文件十分重要，keras的模型保存、加載都需要這個文件。但是不建議直接使用這個文件，因為keras中的Model對象和models模塊會調用這個文件。 keras.core包下的內容一般供內部使用，不暴露給使用者。

Model對象提供了save()和save_wights()兩個方法。

只需要導入from keras.models import model_from_json就是這麼簡單

基於Iris數據集如何保存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  # 二分類  將標籤轉換成分類編碼(每一列代表一類，是為1，否為0)  Y_labels = to_categorical(Y, num_classes=3)  seed = 4  np.random.seed(seed)    # 這裡使用rmsprop優化器，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:分類的  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: 評價  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  # 將標籤轉換成分類編碼(每一列代表一類，是為1，否為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:分類的  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: 評價  scores = model.evaluate(x, Y_labels, verbose=0)  print('%s: %.2f%%' % (model.metrics_names[1], scores[1]*100))    # 將模型保存成YAML文件  model_yaml = model.to_yaml()  with open('../model/model.yaml', 'w') as file:      file.write(model_yaml)  # 保存模型權重值  model.save_weights('../model/model.yaml.h5')  # 從YAML文件中加載模型  with open('../model/model.yaml', 'r') as file:      model_yaml = file.read()  # 加載模型  new_model = model_from_yaml(model_yaml)  new_model.load_weights('../model/model.yaml.h5')  # 必須先編譯模型  new_model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])  # 評估從YAML文件中加載的模型  scores = new_model.evaluate(x, Y_labels, verbose=0)  print('%s: %.2f%%' % (new_model.metrics_names[1], scores[1]*100))