13.模型的保存和載入

我們以保存3.MNIST數據集分類中訓練的模型為例，來演示模型的保存與載入。

第一種模型保存和載入方式

1.保存方式

保存模型只需要在模型訓練完之後添加上

# 保存模型 可以同時保存模型的結構和參數
model.save("model.h5")  # HDF5文件，pip install h5py

這種保存方式可以同時保存模型的結構和參數。

2.載入方式

載入模型之前需要先導入load_model方法

from keras.models import load_model

然後載入的代碼就是簡單一句：

# 載入模型 
model = load_model("../model.h5")

這種載入方法可以同時載入模型的結構和參數。

第二種模型保存和載入方式

1.保存方式

模型參數和模型結構分開來保存：

# 保存參數
model.save_weights("my_model_weights.h5")
# 保存網絡結構
json_string = model.to_json()

2.載入方式

在載入模型結構之前，需要先導入model_from_json()方法

from keras.models import model_from_json

分別載入網絡參數和網絡結構：

# 載入參數
model.load_weights("my_model_weights.h5")
# 載入模型結構
model = model_from_json(json_string)

模型再訓練

代碼運行平臺為jupyter-notebook，文章中的代碼塊，也是按照jupyter-notebook中的劃分順序進行書寫的，運行文章代碼，直接分單元粘入到jupyter-notebook即可。

其實模型載入之後是可以進行再訓練的。
1.導入第三方庫

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model

2.加載數據及數據預處理

# 載入數據
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000, 28, 28)
print("x_shape:\n",x_train.shape)
# (60000,) 還未進行one-hot編碼 需要後面自己操作
print("y_shape:\n",y_train.shape)
# (60000, 28, 28) -> (60000,784) reshape()中參數填入-1的話可以自動計算出參數結果 除以255.0是為了歸一化
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 換one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)

3.模型再訓練

# 載入模型 
model = load_model("../model.h5")

# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)

print("\ntest loss",loss)
print("accuracy:",accuracy)

運行結果：

對比首次保存的模型：

可以發現再訓練模型在測試集上的准確率有所提高。