第python神經(jīng)網(wǎng)絡(luò)使用Keras進(jìn)行模型的保存與讀取目錄學(xué)習(xí)前言Keras中保存與讀取的重要函數(shù)1、model.save2、load_model全部代碼

學(xué)習(xí)前言

開始做項(xiàng)目的話，有些時(shí)候會用到別人訓(xùn)練好的模型，這個(gè)時(shí)候要學(xué)會load噢。

Keras中保存與讀取的重要函數(shù)

1、model.save

model.save用于保存模型，在保存模型前，首先要利用pipinstall安裝h5py的模塊，這個(gè)模塊在Keras的模型保存與讀取中常常被使用，用于定義保存格式。

pipinstallh5py

完成安裝后，可以通過如下函數(shù)保存模型。

model.save("./model.hdf5")

其中，model是已經(jīng)訓(xùn)練完成的模型，save函數(shù)傳入的參數(shù)就是保存后的位置+名字。

2、load_model

load_model用于載入模型。

具體使用方式如下：

model=load_model("./model.hdf5")

其中，load_model函數(shù)傳入的參數(shù)就是已經(jīng)完成保存的模型的位置+名字。./表示保存在當(dāng)前目錄。

全部代碼

這是一個(gè)簡單的手寫體識別例子，在之前也講解過如何構(gòu)建

python神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)使用Keras進(jìn)行簡單分類，在最后我添加上了模型的保存與讀取函數(shù)。

importnumpyasnp

fromkeras.modelsimportSequential,load_model,save_model

fromkeras.layersimportDense,Activation##全連接層

fromkeras.datasetsimportmnist

fromkeras.utilsimportnp_utils

fromkeras.optimizersimportRMSprop

#獲取訓(xùn)練集

(X_train,Y_train),(X_test,Y_test)=mnist.load_data()

#首先進(jìn)行標(biāo)準(zhǔn)化

X_train=X_train.reshape(X_train.shape[0],-1)/255

X_test=X_test.reshape(X_test.shape[0],-1)/255

#計(jì)算categorical_crossentropy需要對分類結(jié)果進(jìn)行categorical

#即需要將標(biāo)簽轉(zhuǎn)化為形如(nb_samples,nb_classes)的二值序列

Y_train=np_utils.to_categorical(Y_train,num_classes=10)

Y_test=np_utils.to_categorical(Y_test,num_classes=10)

#構(gòu)建模型

model=Sequential([

Dense(32,input_dim=784),

Activation("relu"),

Dense(10),

Activation("softmax")

rmsprop=RMSprop(lr=0.001,rho=0.9,epsilon=1e-08,decay=0)

##compile

pile(loss='categorical_crossentropy',optimizer=rmsprop,metrics=['accuracy'])

print("\ntraining")

cost=model.fit(X_train,Y_train,nb_epoch=2,batch_size=100)

print("\nTest")

cost,accuracy=model.evaluate(X_test,Y_test)

print("accuracy:",accuracy)

#保存模型

model.save("./model.hdf5")

#刪除現(xiàn)有模型

delmodel

print("modelhadbeendel")

#再次載入模型

model=load_model("./model.hdf5")

cost,accuracy=model.evaluate(X_test,Y_test)

print("accuracy:",accuracy)

實(shí)驗(yàn)結(jié)果為：

Epoch1/2

60000/60000[==============================]-6s104us/step-loss:0.4217-acc:0.8888

Epoch2/2

60000/60000[==============================]-6s99us/step-loss:0.2240-acc:0.9366

10000/10000[==============================]-1s149us/step

accuracy:0.9419

modelhadbeendel

10000/10000[==================