模型的保存和恢复
- 1、保存整个模型
- 2、仅仅保存模型的架构（框架）
- 3、仅仅保存模型的权重
- 4、在训练期间保存检查点
1、保存整个模型
1）整个模型保存到一个文件中，其中包含权重值，模型配置以及优化器的配置，这样，您就可以为模型设置检查点，并稍后从完全相同的状态进行训练，而无需访问原始代码 2）在keras中保存完全可以正常的使用模型非常有用，您可以在tensorflow.js中加载他们，然后在网络浏览器中训练和运行它们 3）keras中使用HDF5标准提供基本的保存格式
代码语言：javascript复制import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()
train_image=train_image/255
test_image=test_image/255
model=tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation="relu"))
model.add(tf.keras.layers.Dense(10,activation="softmax"))
model.compile(optimizer="adam",loss="sparse_categorical_crossentropy",metrics=["acc"])
model.fit(train_image,train_label,epochs=3)
#模型的评估
model.evaluate(test_image,test_label,verbose=0)
##[0.5563450455665588, 0.7975000143051147]
#把整个模型保存到当前目录下
model.save("less_model.h5")如何去使用保存好的模型呢？
代码语言：javascript复制new_model=tf.keras.models.load_model("less_model.h5")
#既保存了模型的框架，也保存了模型的权重new_model.summary()Model: "sequential_1"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
flatten (Flatten) (None, 784) 0
_________________________________________________________________
dense (Dense) (None, 128) 100480
_________________________________________________________________
dense_1 (Dense) (None, 10) 1290
=================================================================
Total params: 101,770
Trainable params: 101,770
Non-trainable params: 0
_________________________________________________________________new_model.evaluate(test_image,test_label,verbose=0)
##[0.5563450455665588, 0.7975000143051147]2、仅仅保存模型的架构（框架）
有时候我们只对模型的架构感兴趣，而无需保存权重值或者是优化器，在这种情况下，可以仅仅保存模型的配置
模型的整体的架构情况，返回一个json数据，就是一个模型的架构
代码语言：javascript复制json_config=model.to_json()#重建这个模型
reinitialized_model=tf.keras.models.model_from_json(json_config)reinitialized_model.summary()Model: "sequential_1"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
flatten (Flatten) (None, 784) 0
_________________________________________________________________
dense (Dense) (None, 128) 100480
_________________________________________________________________
dense_1 (Dense) (None, 10) 1290
=================================================================
Total params: 101,770
Trainable params: 101,770
Non-trainable params: 0
_________________________________________________________________reinitialized_model.compile(optimizer="adam",loss="sparse_categorical_crossentropy",metrics=["acc"])reinitialized_model.evaluate(test_image,test_label,verbose=0)
##[2.3029253482818604, 0.09950000047683716]由上可知，网络并没有保存模型的整个配置，也就是他的权重，只是保存了网络的架构
3、仅仅保存模型的权重
时候我们只需要保存模型的状态（其权重值），而对模型的架构不感兴趣，在这种情况下，可以通过get_weights()来获取权重值，并通过set_weights()设置权重值
weight=model.get_weights()
#这里保存的权重是一个arrray,不好保存在磁盘上
reinitialized_model.set_weights(weight)
#给之前没有训练的模型加载权重
reinitialized_model.evaluate(test_image,test_label,verbose=0)
##[0.5563450455665588, 0.7975000143051147]所谓保存在磁盘上的权重就是开机了之后能够直接调用的权重
代码语言：javascript复制model.save_weights("less_weight.h5")
#直接保存在我们的磁盘上的权重
reinitialized_model.load_weights("less_weight.h5")
#从磁盘上加载权重
reinitialized_model.evaluate(test_image,test_label,verbose=0)
##[0.5563450455665588, 0.7975000143051147]4、在训练期间保存检查点
在训练期间训练结束时候自动保存检查点，这样一来，您便可以使用经过训练的模型，而无需重新训练该模型，或者是从上次暂停的地方继续训练，以防止训练过程终端 回调函数：tf.keras.callbacks.ModelCheckpoint 来控制他的训练过程
代码语言：javascript复制checkpoint_path="training_cp/cp.ckpt"
cp_callback=tf.keras.callbacks.ModelCheckpoint(checkpoint_path,save_weights_only=True,verbose=0)
model=tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation="relu"))
model.add(tf.keras.layers.Dense(10,activation="softmax"))
model.compile(optimizer="adam",loss="sparse_categorical_crossentropy",metrics=["acc"])
model.fit(train_image,train_label,epochs=3,callbacks=[cp_callback])其实保存的都是一些权重cp.ckpt
model=tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128,activation="relu"))
model.add(tf.keras.layers.Dense(10,activation="softmax"))
model.compile(optimizer="adam",loss="sparse_categorical_crossentropy",metrics=["acc"])
model.evaluate(test_image,test_label,verbose=0)
model.load_weights("training_cp/cp.ckpt")
model.evaluate(test_image,test_label,verbose=0)
