我們以MNIST手寫數字識別為例
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
# 載入數據
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 換one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)
# 創建模型，輸入784個神經元，輸出10個神經元
model = Sequential([
Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')
])
# 定義優化器
sgd = SGD(lr=0.2)
# 定義優化器，loss function，訓練過程中計算準確率
model.compile(
optimizer = sgd,
loss = 'mse',
metrics=['accuracy'],
)
# 訓練模型
model.fit(x_train,y_train,batch_size=64,epochs=5)
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('\ntest loss',loss)
print('accuracy',accuracy)
# 保存模型
model.save('model.h5') # HDF5文件，pip install h5py
載入初次訓練的模型，再訓練
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import SGD
from keras.models import load_model
# 載入數據
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
print('x_shape:',x_train.shape)
# (60000)
print('y_shape:',y_train.shape)
# (60000,28,28)->(60000,784)
x_train = x_train.reshape(x_train.shape[0],-1)/255.0
x_test = x_test.reshape(x_test.shape[0],-1)/255.0
# 換one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)
# 載入模型
model = load_model('model.h5')
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('\ntest loss',loss)
print('accuracy',accuracy)
# 訓練模型
model.fit(x_train,y_train,batch_size=64,epochs=2)
# 評估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('\ntest loss',loss)
print('accuracy',accuracy)
# 保存參數，載入參數
model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')
# 保存網絡結構，載入網絡結構
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)
print(json_string)
關于compile和load_model()的使用順序
這一段落主要是為了解決我們fit、evaluate、predict之前還是之后使用compile。想要弄明白，首先我們要清楚compile在程序中是做什么的？都做了什么？
compile做什么？
compile定義了loss function損失函數、optimizer優化器和metrics度量。它與權重無關，也就是說compile并不會影響權重，不會影響之前訓練的問題。
如果我們要訓練模型或者評估模型evaluate，則需要compile，因為訓練要使用損失函數和優化器，評估要使用度量方法；如果我們要預測，則沒有必要compile模型。
是否需要多次編譯？
除非我們要更改其中之一：損失函數、優化器 / 學習率、度量
又或者我們加載了尚未編譯的模型?；蛘吣募虞d/保存方法沒有考慮以前的編譯。
再次compile的后果？
如果再次編譯模型，將會丟失優化器狀態.
這意味著您的訓練在開始時會受到一點影響，直到調整學習率，動量等為止。但是絕對不會對重量造成損害（除非您的初始學習率如此之大，以至于第一次訓練步驟瘋狂地更改微調的權重）。
到此這篇關于Keras保存模型并載入模型繼續訓練的實現的文章就介紹到這了,更多相關Keras保存模型并加載模型內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- keras修改backend的簡單方法
- keras的get_value運行越來越慢的解決方案
- 基于keras中訓練數據的幾種方式對比(fit和fit_generator)
- 淺談Keras中fit()和fit_generator()的區別及其參數的坑
- TensorFlow2.0使用keras訓練模型的實現
- tensorflow2.0教程之Keras快速入門
- 淺析關于Keras的安裝(pycharm)和初步理解
- 基于Keras的擴展性使用
