我們以MNIST手寫(xiě)數(shù)字識(shí)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(shù)據(jù)
(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(chuàng)建模型，輸入784個(gè)神經(jīng)元，輸出10個(gè)神經(jīng)元
model = Sequential([
Dense(units=10,input_dim=784,bias_initializer='one',activation='softmax')
])
# 定義優(yōu)化器
sgd = SGD(lr=0.2)
# 定義優(yōu)化器，loss function，訓(xùn)練過(guò)程中計(jì)算準(zhǔn)確率
model.compile(
optimizer = sgd,
loss = 'mse',
metrics=['accuracy'],
)
# 訓(xùn)練模型
model.fit(x_train,y_train,batch_size=64,epochs=5)
# 評(píng)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(xùn)練的模型，再訓(xùn)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(shù)據(jù)
(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(píng)估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('\ntest loss',loss)
print('accuracy',accuracy)
# 訓(xùn)練模型
model.fit(x_train,y_train,batch_size=64,epochs=2)
# 評(píng)估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('\ntest loss',loss)
print('accuracy',accuracy)
# 保存參數(shù)，載入?yún)?shù)
model.save_weights('my_model_weights.h5')
model.load_weights('my_model_weights.h5')
# 保存網(wǎng)絡(luò)結(jié)構(gòu)，載入網(wǎng)絡(luò)結(jié)構(gòu)
from keras.models import model_from_json
json_string = model.to_json()
model = model_from_json(json_string)
print(json_string)
關(guān)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(shù)、optimizer優(yōu)化器和metrics度量。它與權(quán)重?zé)o關(guān)，也就是說(shuō)compile并不會(huì)影響權(quán)重，不會(huì)影響之前訓(xùn)練的問(wèn)題。
如果我們要訓(xùn)練模型或者評(píng)估模型evaluate，則需要compile，因?yàn)橛?xùn)練要使用損失函數(shù)和優(yōu)化器，評(píng)估要使用度量方法；如果我們要預(yù)測(cè)，則沒(méi)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(shù)、優(yōu)化器 / 學(xué)習(xí)率、度量
又或者我們加載了尚未編譯的模型。或者您的加載/保存方法沒(méi)有考慮以前的編譯。
再次compile的后果？
如果再次編譯模型，將會(huì)丟失優(yōu)化器狀態(tài).
這意味著您的訓(xùn)練在開(kāi)始時(shí)會(huì)受到一點(diǎn)影響，直到調(diào)整學(xué)習(xí)率，動(dòng)量等為止。但是絕對(duì)不會(huì)對(duì)重量造成損害（除非您的初始學(xué)習(xí)率如此之大，以至于第一次訓(xùn)練步驟瘋狂地更改微調(diào)的權(quán)重）。
到此這篇關(guān)于Keras保存模型并載入模型繼續(xù)訓(xùn)練的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Keras保存模型并加載模型內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)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(jiǎn)單方法
- keras的get_value運(yùn)行越來(lái)越慢的解決方案
- 基于keras中訓(xùn)練數(shù)據(jù)的幾種方式對(duì)比(fit和fit_generator)
- 淺談Keras中fit()和fit_generator()的區(qū)別及其參數(shù)的坑
- TensorFlow2.0使用keras訓(xùn)練模型的實(shí)現(xiàn)
- tensorflow2.0教程之Keras快速入門(mén)
- 淺析關(guān)于Keras的安裝(pycharm)和初步理解
- 基于Keras的擴(kuò)展性使用
