目录
Keras简介
Keras 模型由多个组件组成：
- 架构或配置，它指定模型包含的层及其连接方式。
- 一组权重值（即“模型的状态”）。
- 优化器（通过编译模型来定义）。
- 一组损失和指标（通过编译模型或通过调用
add_loss()或add_metric()来定义）。
我们可以通过 Keras API 将这些片段一次性保存到磁盘，或仅选择性地保存其中一些片段：
- 将所有内容以 TensorFlow SavedModel 格式（或较早的 Keras H5 格式）保存到单个归档。这是标准做法。
- 仅保存架构/配置，通常保存为 JSON 文件。
- 仅保存权重值。通常在训练模型时使用。
保存整个模型
保存 Keras 模型：
model = ...
model.save('my_model')将模型加载回来：
from tensorflow import keras
model = keras.models.load_model('my_model')这将保存最完整的模型，包括：
- 模型的架构/配置
- 模型的权重值（在训练过程中学习）
- 模型的编译信息（如果调用了
compile()） - 优化器及其状态（如果有的话，使您可以从上次中断的位置重新开始训练）
也可以通过以下方式切换到 H5 格式：
- 将
save_format='h5'传递给save()。 - 将以
.h5或.keras结尾的文件名传递给save()。
注意！与 SavedModel 格式相比，H5 文件不包括以下两方面内容：
- 通过
model.add_loss()和model.add_metric()添加的外部损失和指标不会被保存（这与 SavedModel 不同）。如果模型有此类损失和指标且想要恢复训练，则需要在加载模型后自行重新添加这些损失。请注意，这不适用于通过self.add_loss()和self.add_metric()在层内创建的损失/指标。只要该层被加载，这些损失和指标就会被保留，因为它们是该层call方法的一部分。 - 已保存的文件中不包含自定义对象（如自定义层）的计算图。在加载时，Keras 需要访问这些对象的 Python 类/函数以重建模型。
保存模型的权重
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')
如果你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)实例：
"""
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 构建的时候要和原来的模型一样 才可以使用保存的权重
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
model.load_weights(fname, by_name=True)
念念不忘，必有回响