from keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))
# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)
score = model.evaluate(data,labels,batch_size=32)
print(score)
model.save('fei_model.h5')
但是在Keras中我们可以非常优雅地把整个模型(包括已经训练好的参数和神经网络的结构)存储起来,而且这一切都“非常非常”简单。
需要提前说明的一点是Keras会把模型保存成“.h5”文件,为了让你的程序可以支持这种形式的文件你需要安装一下h5py这个package
保存模型的代码是:
from keras.model import load_model
model.save("路径+文件名")
模型的加载代码是
model = load_model('fei_moddel')