日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

python神經網絡使用Keras進行模型的保存與讀取_python

作者：Bubbliiiing ? 更新時間： 2022-06-28 編程語言

學習前言

開始做項目的話，有些時候會用到別人訓練好的模型，這個時候要學會load噢。

Keras中保存與讀取的重要函數

1、model.save

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

pip install h5py

完成安裝后，可以通過如下函數保存模型。

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

其中，model是已經訓練完成的模型，save函數傳入的參數就是保存后的位置+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函數傳入的參數就是已經完成保存的模型的位置+名字。./表示保存在當前目錄。

全部代碼

這是一個簡單的手寫體識別例子，在之前也講解過如何構建

python神經網絡學習使用Keras進行簡單分類，在最后我添加上了模型的保存與讀取函數。

import numpy as np
from keras.models import Sequential,load_model,save_model
from keras.layers import Dense,Activation ## 全連接層
from keras.datasets import mnist
from keras.utils import np_utils
from keras.optimizers import RMSprop
# 獲取訓練集
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()
# 首先進行標準化 
X_train = X_train.reshape(X_train.shape[0],-1)/255
X_test = X_test.reshape(X_test.shape[0],-1)/255
# 計算categorical_crossentropy需要對分類結果進行categorical
# 即需要將標簽轉化為形如(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
model.compile(loss = 'categorical_crossentropy',optimizer = rmsprop,metrics=['accuracy'])
print("\ntraining")
cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 100)
print("\nTest")
# 測試
cost,accuracy = model.evaluate(X_test,Y_test)
print("accuracy:",accuracy)
# 保存模型
model.save("./model.hdf5")
# 刪除現有模型
del model
print("model had been del")
# 再次載入模型
model = load_model("./model.hdf5")
# 預測
cost,accuracy = model.evaluate(X_test,Y_test)
print("accuracy:",accuracy)

實驗結果為：

Epoch 1/2
60000/60000 [==============================] - 6s 104us/step - loss: 0.4217 - acc: 0.8888
Epoch 2/2
60000/60000 [==============================] - 6s 99us/step - loss: 0.2240 - acc: 0.9366
Test
10000/10000 [==============================] - 1s 149us/step
accuracy: 0.9419
model had been del
10000/10000 [==============================] - 1s 117us/step
accuracy: 0.9419

原文鏈接：https://blog.csdn.net/weixin_44791964/article/details/101613118

欄目分類
最近更新