原创
转载请注明出处，侵权必究
1、Keras神经网络模型方法的介绍
1、model.save(filepath, overwrite=True, include_optimizer=True)
保存模型到h5文件，包括模型的结构、权重、训练配置（损失函数、优化器等）、优化器的状态（以便从上次训练中断的地方开始）。
overwrite：如果存在源文件，是否覆盖。
2、keras.models.load_model(filepath, custom_objects=None, compile=True)
通过h5文件，重新实例化模型。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。
from keras.models import load_model
model.save('my_model.h5') # 保存模型
del model # 删掉存在的模型
#返回一个编译好的模型
#与删掉的模型相同
model = load_model('my_model.h5')
载入后，可以继续训练。
model.fit(X_train,Y_train)
也可以直接评估：
model.evaluate(X_test, Y_test)
print ( "Loss = " + str( preds[0] ) )
print ( "Test Accuracy = " + str( preds[1] ) )
3、model.to_json()或者model.to_yaml()
只保存模型的结构（到json或者yaml格式），不包含权重或配置信息。返回一个json_string或者yaml_string。
json_string = model.to_json()
yaml_string = model.to_yaml()
通过keras.models.model_from_json(json_string)或者keras.models.model_from_yaml(yaml_string)来载入模型（不包含权重和配置信息）。
4、model.save_weights(filepath, overwrite=True)
将模型的权重保存为h5文件。
通过kmodel.load_weights(filepath,by_name=False,skip_mismatch=False, reshape=False)初始化一个权重一样的模型。
注：by_name:是否采用名字来加载模型权重，如果要迁移学习，将其设为True
加载权重到不同的网络结构（有些层一样），比如迁移学习，可以通过层的名字来加载模型：
# by_name:是否采用名字来加载模型权重
model.load_weights('my_model_weights.h5', by_name=True)
"""
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)
"""
# 新的模型
model = Sequential()
model.add(Dense(2, input_dim=3, name="dense_1")) # 这里的name和原模型的name相同，将会加载权重
model.add(Dense(10, name="new_dense")) # 将不会加载权重
# 从原始模型中加载权重; 只影响了第一层“dense_1”.
model.load_weights(fname, by_name=True)
2、参考文献
如何保存Keras模型？：http://keras-cn.readthedocs.io/en/latest/for_beginners/FAQ/#keras_1
欢迎关注我的微信公众号
互联网矿工
