保存及读取keras模型参数

转自：http://blog.csdn.net/u010159842/article/details/54407745，感谢分享~

你可以使用

model.save(filepath)

将Keras模型和权重保存在一个HDF5文件中，该文件将包含：

模型的结构，以便重构该模型

模型的权重

训练配置（损失函数，优化器等）

优化器的状态，以便于从上次训练中断的地方开始

使用

keras.models.load_model(filepath)

来重新实例化你的模型，如果文件中存储了训练配置的话，该函数还会同时完成模型的编译

例子：

fromkeras.modelsimportload_model

model.save('my_model.h5')#createsaHDF5file'my_model.h5'
delmodel#deletestheexistingmodel

#returnsacompiledmodel
#identicaltothepreviousone
model=load_model('my_model.h5')

如果你只是希望保存模型的结构，而不包含其权重或配置信息，可以使用：

#saveasJSON
json_string=model.to_json()

#saveasYAML
yaml_string=model.to_yaml()

这项操作将把模型序列化为json或yaml文件，这些文件对人而言也是友好的，如果需要的话你甚至可以手动打开这些文件并进行编辑。

当然，你也可以从保存好的json文件或yaml文件中载入模型：

#modelreconstructionfromJSON:
fromkeras.modelsimportmodel_from_json
model=model_from_json(json_string)

#modelreconstructionfromYAML
model=model_from_yaml(yaml_string)

如果需要保存模型的权重，可通过下面的代码利用HDF5进行保存。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)

例如：

"""
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)
"""
#newmodel
model=Sequential()
model.add(Dense(2,input_dim=3,name="dense_1"))#willbeloaded
model.add(Dense(10,name="new_dense"))#willnotbeloaded

#loadweightsfromfirstmodel;willonlyaffectthefirstlayer,dense_1.
model.load_weights(fname,by_name=True)