Keras 保存与加载网络模型
2017-08-18 11:30
956 查看
4000
由于网络不稳定,下载时会出现如下报错:
修改代码将上面的注释掉,开头添加
网络模型描述完后添加
- 模型的结构,以便重构该模型
- 模型的权重
- 训练配置(损失函数,优化器等)
- 优化器的状态,以便于从上次训练中断的地方开始
使用keras.models.load_model(filepath)来重新实例化你的模型,如果文件中存储了训练配置的话,该函数还会同时完成模型的编译
例子:
如果你只是希望保存模型的结构,而不包含其权重或配置信息,可以使用:
这项操作将把模型序列化为json或yaml文件,这些文件对人而言也是友好的,如果需要的话你甚至可以手动打开这些文件并进行编辑。
当然,你也可以从保存好的json文件或yaml文件中载入
如果需要保存模型的权重,可通过下面的代码利用HDF5进行保存。注意,在使用前需要确保你已安装了HDF5和其Python库h5py
如果你需要在代码中初始化一个完全相同的模型,请使用
需要加载权重到不同的网络结构(有些层一样)中,例如fine-tune或transfer-learning,你可以通过层名字来加载模型:
例如:
假如原模型为:
遇到问题:
keras使用预训练模型做训练时遇到的如下代码:from keras.utils.data_utils import get_file WEIGHTS_PATH = 'https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg19_weights_tf_dim_ordering_tf_kernels.h5' filepath = get_file('vgg19_weights_tf_dim_ordering_tf_kernels.h5', WEIGHTS_PATH, cache_subdir='models')
由于网络不稳定,下载时会出现如下报错:
Exception: URL fetch failure on https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg19_weights_tf_dim_ordering_tf_kernels.h5: None -- [Errno 104] Connection reset by peer
解决方案:
翻墙使用浏览器下载https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg19_weights_tf_dim_ordering_tf_kernels.h5可以断点继续修改代码将上面的注释掉,开头添加
from keras.models import load_model
网络模型描述完后添加
model = load_model('my_model.h5')
延伸拓展:
你可以使用model.save(filepath)将Keras模型和权重保存在一个HDF5文件中,该文件将包含:- 模型的结构,以便重构该模型
- 模型的权重
- 训练配置(损失函数,优化器等)
- 优化器的状态,以便于从上次训练中断的地方开始
使用keras.models.load_model(filepath)来重新实例化你的模型,如果文件中存储了训练配置的话,该函数还会同时完成模型的编译
例子:
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')
如果你只是希望保存模型的结构,而不包含其权重或配置信息,可以使用:
# save as JSON json_string = model.to_json() # save as YAML yaml_string = model.to_yaml()
这项操作将把模型序列化为json或yaml文件,这些文件对人而言也是友好的,如果需要的话你甚至可以手动打开这些文件并进行编辑。
当然,你也可以从保存好的json文件或yaml文件中载入
# model reconstruction from JSON: from keras.models import model_from_json model = model_from_json(json_string) # model reconstruction from YAML model = model_from_yaml(yaml_string)
如果需要保存模型的权重,可通过下面的代码利用HDF5进行保存。注意,在使用前需要确保你已安装了HDF5和其Python库h5py
model.save_weights('my_model_weights.h5')
如果你需要在代码中初始化一个完全相同的模型,请使用
model.load_weights('my_model_weights.h5')
需要加载权重到不同的网络结构(有些层一样)中,例如fine-tune或transfer-learning,你可以通过层名字来加载模型:
model.load_weights('my_model_weights.h5', by_name=True)
例如:
假如原模型为:
""" model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) model.add(Dense(3, name="dense_2")) ... model.save_weights(fname) """ # new model model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded model.add(Dense(10, name="new_dense")) # will not be loaded # load weights from first model; will only affect the first layer, dense_1. model.load_weights(fname, by_name=True)
相关文章推荐
- C++从零实现深度神经网络之五——模型的保存和加载以及画出实时输出曲线
- Keras模型保存和加载的两种方式
- keras 保存模型和加载模型
- TF Saver 保存/加载训练好模型(网络+参数)的那些事儿
- Keras入门(二)模型的保存、读取及加载
- keras 保存模型和加载模型
- ubuntu中利用h5py保存训练好的keras 神经网络模型
- Keras模型的加载和保存、预训练、按层名匹配参数
- keras中的模型保存和加载
- Ubuntu中利用h5py保存训练好的keras神经网络模型
- keras加载保存模型相关函数
- Keras 深度学习代码笔记——模型保存与加载
- 170719 Keras 模型的保存与加载
- tensorflow中保存模型、加载模型做预测(不需要再定义网络结构)
- TensorFlow学习笔记(8)--网络模型的保存和读取
- tensorflow 模型保存与加载
- tensorflow之保存模型与加载模型
- keras如何保存模型
- tensorflow从0开始(6)——保存加载模型
- keras:一台设备上同时使用多张显卡训练同一个网络模型