如何使用 keras 保存最终模型？

该模型有一个 save 方法，它保存了重构模型所需的所有细节。 keras documentation 中的示例：

from keras.models import load_model

model.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'
del model  # deletes the existing model

# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')

---

您可以将模型保存为 json 格式，并将权重保存为 hdf5 文件格式。

# keras library import  for Saving and loading model and weights

from keras.models import model_from_json
from keras.models import load_model

# serialize model to JSON
#  the keras model which is trained is defined as 'model' in this example
model_json = model.to_json()


with open("model_num.json", "w") as json_file:
    json_file.write(model_json)

# serialize weights to HDF5
model.save_weights("model_num.h5")

创建文件“model_num.h5”和“model_num.json”，其中包含我们的模型和权重

要使用相同的训练模型进行进一步测试，您只需加载 hdf5 文件并将其用于不同数据的预测。这是从保存的文件中加载模型的方法。

# load json and create model
json_file = open('model_num.json', 'r')

loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)

# load weights into new model
loaded_model.load_weights("model_num.h5")
print("Loaded model from disk")

loaded_model.save('model_num.hdf5')
loaded_model=load_model('model_num.hdf5')

要预测不同的数据，您可以使用它

loaded_model.predict_classes("your_test_data here")

---

您可以使用 model.save(filepath) 将 Keras 模型保存到单个 HDF5 文件中，该文件将包含：

模型的架构，允许重新创建模型。

模型的权重。

训练配置（损失、优化器）

优化器的状态，允许在您停止的地方恢复训练。

在您的 Python 代码中，最后一行可能应该是：

model.save("m.hdf5")

这允许您将模型的全部状态保存在单个文件中。可以通过 keras.models.load_model() 重新实例化保存的模型。

load_model() 返回的模型是可以使用的已编译模型（除非保存的模型从一开始就从未编译过）。

model.save() 参数：

filepath：字符串，保存权重的文件的路径。

overwrite：是静默覆盖目标位置的任何现有文件，还是为用户提供手动提示。

include_optimizer：如果为 True，则将优化器的状态一起保存。

---

您可以通过这种方式保存模型并加载。

from keras.models import Sequential, load_model
from keras_contrib.losses import import crf_loss
from keras_contrib.metrics import crf_viterbi_accuracy

# To save model
model.save('my_model_01.hdf5')

# To load the model
custom_objects={'CRF': CRF,'crf_loss':crf_loss,'crf_viterbi_accuracy':crf_viterbi_accuracy}

# To load a persisted model that uses the CRF layer 
model1 = load_model("/home/abc/my_model_01.hdf5", custom_objects = custom_objects)

---

通常，我们通过调用 save() 函数将模型和权重保存在同一个文件中。

为了节省，

model.compile(optimizer='adam',
              loss = 'categorical_crossentropy',
              metrics = ["accuracy"])

model.fit(X_train, Y_train,
         batch_size = 32,
         epochs= 10,
         verbose = 2, 
         validation_data=(X_test, Y_test))

#here I have use filename as "my_model", you can choose whatever you want to.

model.save("my_model.h5") #using h5 extension
print("model saved!!!")

对于加载模型，

from keras.models import load_model

model = load_model('my_model.h5')
model.summary()

在这种情况下，我们可以简单地保存和加载模型，而无需再次重新编译我们的模型。注意 - 这是保存和加载 Keras 模型的首选方式。

---

保存 Keras 模型：

model = ...  # Get model (Sequential, Functional Model, or Model subclass)
model.save('path/to/location')

重新加载模型：

from tensorflow import keras
model = keras.models.load_model('path/to/location')

有关详细信息，请阅读 Documentation

---

您可以使用 keras.callbacks.ModelCheckpoint() 保存最佳模型

例子：

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model_checkpoint_callback = keras.callbacks.ModelCheckpoint("best_Model.h5",save_best_only=True)
history = model.fit(x_train,y_train,
          epochs=10,
          validation_data=(x_valid,y_valid),
          callbacks=[model_checkpoint_callback])

这会将最佳模型保存在您的工作目录中。

---

由于 keras 的语法，如何保存模型，多年来发生了变化，我将发布一个新的答案。原则上，bogatron 的最早答案，发布于 17 年 3 月 13 日 12:10 仍然很好，如果您想将包括权重的模型保存到一个文件中。

model.save("my_model.h5")

这将以较旧的 Keras H5 格式保存模型。

但是，有一种新格式，即 TensorFlow SavedModel 格式，如果您未在文件名后指定扩展名 .h5、.hdf5 或 .keras，将使用该格式。

这种情况下的语法是

model.save("path/to/folder")

如果给定的文件夹名称尚不存在，则会创建它。将在此文件夹中创建两个文件和两个文件夹：

keras_metadata.pb、saved_model.pb、资产、变量

到目前为止，您仍然可以决定是将模型存储到单个文件中还是存储到包含文件和文件夹的文件夹中。 （见keras documentation at www.tensorflow.org。）

---