神经网络学习小记录9——利用Keras进行模型的保存与读取

男娘i 2023-08-17 16:23 129阅读 0赞

### 神经网络学习小记录9——利用Keras进行模型的保存与读取 ###

*  学习前言
 *  Keras中保存与读取的重要函数
 *   *  1、model.save
     *  2、load\_model
 *  全部代码

# 学习前言 #

开始做项目的话，有些时候会用到别人训练好的模型，这个时候要学会load噢。  
![在这里插入图片描述][20190723165901974.jpg_pic_center]

# Keras中保存与读取的重要函数 #

## 1、model.save ##

model.save用于保存模型，在保存模型前，首先要利用pip install安装h5py的模块，这个模块在Keras的模型保存与读取中常常被使用，用于定义保存格式。

pip install h5py

完成安装后，可以通过如下函数保存模型。

model.save("./model.hdf5")

其中，model是已经训练完成的模型，save函数传入的参数就是保存后的位置+名字。

## 2、load\_model ##

load\_model用于载入模型。  
具体使用方式如下：

model = load_model("./model.hdf5")

其中，load\_model函数传入的参数就是已经完成保存的模型的位置+名字。./表示保存在当前目录。

# 全部代码 #

这是一个简单的手写体识别例子，在之前也讲解过如何构建[神经网络学习小记录6——利用Keras进行简单分类][6_Keras]，在最后我添加上了模型的保存与读取函数。

import numpy as np
    from keras.models import Sequential,load_model,save_model
    from keras.layers import Dense,Activation ## 全连接层
    from keras.datasets import mnist
    from keras.utils import np_utils
    from keras.optimizers import RMSprop
    
    # 获取训练集
    (X_train,Y_train),(X_test,Y_test) = mnist.load_data()
    
    # 首先进行标准化 
    X_train = X_train.reshape(X_train.shape[0],-1)/255
    X_test = X_test.reshape(X_test.shape[0],-1)/255
    # 计算categorical_crossentropy需要对分类结果进行categorical
    # 即需要将标签转化为形如(nb_samples, nb_classes)的二值序列
    Y_train = np_utils.to_categorical(Y_train,num_classes= 10)
    Y_test = np_utils.to_categorical(Y_test,num_classes= 10)
    
    # 构建模型
    model = Sequential([
        Dense(32,input_dim = 784),
        Activation("relu"),
        Dense(10),
        Activation("softmax")
        ]
    )
    
    rmsprop = RMSprop(lr = 0.001,rho = 0.9,epsilon = 1e-08,decay = 0)
    
    ## compile
    model.compile(loss = 'categorical_crossentropy',optimizer = rmsprop,metrics=['accuracy'])
    
    print("\ntraining")
    cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 100)
    print("\nTest")
    # 测试
    cost,accuracy = model.evaluate(X_test,Y_test)
    print("accuracy:",accuracy)
    
    # 保存模型
    model.save("./model.hdf5")
    
    # 删除现有模型
    del model
    print("model had been del")
    
    # 再次载入模型
    model = load_model("./model.hdf5")
    
    # 预测
    cost,accuracy = model.evaluate(X_test,Y_test)
    print("accuracy:",accuracy)

实验结果为：

Epoch 1/2
    60000/60000 [==============================] - 6s 104us/step - loss: 0.4217 - acc: 0.8888
    Epoch 2/2
    60000/60000 [==============================] - 6s 99us/step - loss: 0.2240 - acc: 0.9366
    
    Test
    10000/10000 [==============================] - 1s 149us/step
    accuracy: 0.9419
    model had been del
    10000/10000 [==============================] - 1s 117us/step
    accuracy: 0.9419

**有不懂的朋友可以评论询问噢。**

[20190723165901974.jpg_pic_center]: /images/20230810/af524e23c26a4d61bb9068e46e2c1333.png
[6_Keras]: https://blog.csdn.net/weixin_44791964/article/details/101170430