如何保存和加载您的 Keras 深度学习模型

Keras 是一个用于深度学习的简单而强大的 Python 库。

由于深度学习模型可能需要数小时、数天甚至数周才能训练完成，因此了解如何从磁盘保存和加载它们非常重要。

在这篇文章中，您将学习如何将您的 Keras 模型保存到文件中，然后再次加载它们以进行预测。

阅读本教程后，您将了解

• 如何将模型权重和模型架构保存在单独的文件中
• 如何将模型架构保存为 YAML 和 JSON 格式
• 如何将模型权重和架构保存到单个文件中以供以后使用

用我的新书《Python 深度学习》启动您的项目，其中包括所有示例的分步教程和 Python 源代码文件。

让我们开始吧。

• 2017 年 3 月更新：添加了先安装 h5py 的说明
• 2017 年 3 月更新：更新了示例以适应 Keras API 的更改
• 2018年3月更新：添加了下载数据集的备用链接
• 2019 年 5 月更新：添加了将模型保存和加载到单个文件的部分
• 2019 年 9 月更新：添加了关于使用 PyYAML 版本 5 的注释
• 2022 年 6 月更新：添加了关于已弃用 YAML 格式的注释，并添加了关于协议缓冲区的章节

如何保存和加载 Keras 深度学习模型
图片由 Ray Harrington 拍摄，保留部分权利。

教程概述

如果您是Keras或深度学习的新手，请参阅此分步Keras教程。

Keras 将模型架构的保存和模型权重的保存分离开来。

模型权重以 HDF5 格式保存。这种网格格式非常适合存储多维数字数组。

模型结构可以使用两种不同的格式进行描述和保存：JSON 和 YAML。

在这篇文章中，您将看到三个保存和加载模型到文件的示例

• 将模型保存到 JSON
• 将模型保存到 YAML
• 将模型保存到 HDF5

前两个示例分别保存模型架构和权重。在所有情况下，模型权重都保存为 HDF5 格式文件。

这些示例将使用在 Pima Indians 糖尿病发作二分类数据集上训练的相同简单网络。这是一个包含所有数值数据的小数据集，易于使用。您可以下载此数据集并将其放置在您的工作目录中，文件名为“pima-indians-diabetes.csv”（更新：从此处下载）。

确认您已安装 TensorFlow v2.x（例如，截至 2022 年 6 月的 v2.9）。

注意：保存模型需要安装 h5py 库。它通常作为 TensorFlow 的依赖项安装。您也可以通过以下方式轻松安装它

将神经网络模型保存到 JSON

JSON 是一种用于分层描述数据的简单文件格式。

Keras 提供了使用 to_json() 函数以 JSON 格式描述任何模型的能力。它可以保存到文件中，然后通过 model_from_json() 函数加载，该函数将从 JSON 规范创建新模型。

权重使用 save_weights() 函数直接从模型中保存，然后使用对称的 load_weights() 函数加载。

以下示例在 Pima Indians 数据集上训练并评估一个简单模型。然后将模型转换为 JSON 格式并写入本地目录中的 model.json。网络权重写入本地目录中的 model.h5。

从保存的文件中加载模型和权重数据，并创建一个新模型。在使用加载的模型之前编译它是很重要的。这样，使用模型进行的预测就可以使用 Keras 后端提供的适当高效的计算。

模型以相同的方式进行评估，打印出相同的评估分数。

注意：考虑到算法或评估过程的随机性，或者数值精度的差异，您的结果可能会有所不同。请考虑运行几次示例并比较平均结果。

运行此示例将提供以下输出。

模型的 JSON 格式如下所示

将神经网络模型保存到 YAML

注意：此方法仅适用于 TensorFlow 2.5 或更早版本。如果您在更高版本的 TensorFlow 中运行它，您将看到一个 RuntimeError，消息为“Method model.to_yaml() 已由于任意代码执行的安全风险而被删除。请改用 model.to_json()。”

这个示例与上面的 JSON 示例非常相似，只是模型规范使用了 YAML 格式。

请注意，此示例假定您已安装 PyYAML 5

在此示例中，模型使用 YAML 描述，保存到文件 model.yaml，然后通过 model_from_yaml() 函数加载到新模型中。

权重以与上面 HDF5 格式相同的方式处理，作为 model.h5。

注意：考虑到算法或评估过程的随机性，或者数值精度的差异，您的结果可能会有所不同。请考虑运行几次示例并比较平均结果。

运行示例显示以下输出。

用 YAML 格式描述的模型如下所示

同时保存模型权重和架构

Keras 还支持一个更简单的接口，可以将模型权重和模型架构一起保存到一个 H5 文件中。

以这种方式保存模型包括您需要了解的有关模型的所有信息，包括

• 模型权重
• 模型架构
• 模型编译细节（损失和指标）
• 模型优化器状态

这意味着您可以直接加载和使用模型，而无需像上面示例中那样重新编译它。

注意：这是保存和加载 Keras 模型的首选方式。

如何保存 Keras 模型

您可以通过调用模型的 save() 函数并指定文件名来保存模型。

以下示例通过首先拟合模型，评估它，然后将其保存到文件 model.h5 来演示这一点。

注意：考虑到算法或评估过程的随机性，或者数值精度的差异，您的结果可能会有所不同。请考虑运行几次示例并比较平均结果。

运行示例会拟合模型，总结模型在训练数据集上的性能，并将模型保存到文件。

您稍后可以从文件中加载此模型并使用它。

请注意，在 Keras 库中，有另一个执行相同操作的函数，如下所示

如何加载 Keras 模型

您可以通过调用 load_model() 函数并传入文件名来加载保存的模型。该函数返回具有相同架构和权重的模型。

在这种情况下，您加载模型，总结架构，并在相同的数据集上评估它，以确认权重和架构相同。

运行示例首先加载模型，打印模型架构的摘要，然后评估加载的模型在相同数据集上的表现。

注意：考虑到算法或评估过程的随机性，或者数值精度的差异，您的结果可能会有所不同。请考虑运行几次示例并比较平均结果。

模型达到相同的准确率分数，本例中为 77%。

协议缓冲区格式

虽然使用 HDF5 格式保存和加载 Keras 模型是推荐的方式，但 TensorFlow 还支持另一种格式，即协议缓冲区。保存和加载协议缓冲区格式被认为更快，但这样做会生成多个文件。语法相同，只是您不需要为文件名提供 .h5 扩展名

这将创建一个名为“model”的目录，其中包含以下文件

这也是 TensorFlow v1.x 中保存模型所使用的格式。当您从 TensorFlow Hub 下载预训练模型时，您可能会遇到这种情况。

进一步阅读

• Keras 文档中的“如何保存 Keras 模型？”
• Keras 文档中的“关于 Keras 模型”

总结

在这篇文章中，您学习了如何序列化您的 Keras 深度学习模型。

您学习了如何将训练好的模型保存到文件中，然后加载它们并使用它们进行预测。

您还学习到模型权重可以轻松地使用 HDF5 格式存储，并且网络结构可以保存为 JSON 或 YAML 格式。

您对保存深度学习模型或本文有任何疑问吗？
在评论中提出您的问题，我将尽力回答。