keras的模型保存与加载

三种方式保存模型：

save/load weights
最简单的保存，只保存模型的参数

save/load entire model
会保存模型的所有参数

saved_model
用户最后得到模型就可以直接部署，不需要直接把代码给了用户，python训练的模型，可以个了c++完成一个工厂的部署

 第一种简单方法：

#保存模型
model.save_weights('./checkpoints/my_checkpoint')

#加载模型
model =create_model()
model.load_weights('./checkpoints/my_checkpoint')
#评估模型
loss,acc = model.evaluate(test_images,test_labels)
#查看保存之前的acc和保存之后的基本没啥差别

第二种还原整个模型方法：

network.save('model.h5')
print('saved total model.')
del network

print('load model from file')
network = tf.keras.models.load_model('model.h5')
network.evaluate(x_val,y_val)

第三种模型保存，工业环境部署

#保存模型
tf.saved_model.save(m,'tmp/saved_model/')

#导出模型
imported = tf.saved_model.load(path)
f = imported.signatures['serving_default']

完整列子：

import numpy as np
from keras.datasets import mnist  #直接从keras里面应用数据集
from keras.utils import np_utils  #keras 里面用到的一个 np 的工具包
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD  #优化函数;
from keras.models import load_model

#载入数据
(x_train,y_train),(x_test,y_test)=mnist.load_data() #分为测试集和训练集


# (6000,28,28) -> (6000,784)

x_train=x_train.reshape(x_train.shape[0],-1)/255.0 #-1表示是自动判断,/225是表示归一化。
x_test=x_test.reshape(x_test.shape[0],784)/255.0#行数是 x_train.shape[0]行。

#标签转换成 one hot 格式
y_train=np_utils.to_categorical(y_train,num_classes=10)#专门用来转格式的包
y_test=np_utils.to_categorical(y_test,num_classes=10)


#载入模型
model=load_model("model.h5")

#载入的模型是已经训练好的，直接进行评估就行。

loss,accuracy=model.evaluate(x_test,y_test)
print(loss)
print(accuracy)

#把模型转成json格式，打印出来看一下；
json_string=model.to_json()
print(json_string)

#对于载入的模型，可以继续进行训练;
model.fit(x_train,y_train,batch_size=64,epochs=2)
loss,accuracy=model.evaluate(x_test,y_test)

print(loss)
print(accuracy)

summary()计算模型参数

from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation

model = Sequential() # 顺序模型

# 输入层
model.add(Dense(7, input_shape=(4,)))  # Dense就是常用的全连接层
model.add(Activation('sigmoid')) # 激活函数

# 隐层
model.add(Dense(13))  # Dense就是常用的全连接层
model.add(Activation('sigmoid')) # 激活函数

# 输出层
model.add(Dense(5))
model.add(Activation('softmax'))

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

model.summary()

输出：