模型的保存与恢复
介绍一些常见的模型保存与恢复方法，以及如何使用回调函数保存模型。
1.保存完整模型
model.save()方法可以保存完整的模型，包括模型的架构、模型的权重以及优化器。
model.save()的参数为保存路径以及文件名。
首先我们构建一个简单的Sequential模型，使用fishion_mnist数据集进行训练，得到一个训练后的模型。
1 import tensorflow as tf 2 import numpy as np 3 4 (train_image, train_label), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data() 5 6 train_image = np.expand_dims(train_image, -1) 7 test_image = np.expand_dims(test_image, -1) 8 9 model = tf.keras.Sequential() 10 model.add(tf.keras.layers.Conv2D(32, [3, 3], input_shape = (28, 28, 1), activation = 'relu')) 11 model.add(tf.keras.layers.Conv2D(64, [3, 3], activation = 'relu')) 12 model.add(tf.keras.layers.GlobalAveragePooling2D()) 13 model.add(tf.keras.layers.Dense(64, activation = 'relu')) 14 model.add(tf.keras.layers.Dense(10, activation = 'softmax')) 15 16 model.compile(optimizer = 'adam', 17 loss = 'sparse_categorical_crossentropy', 18 metrics = ['acc']) 19 20 history = model.fit(train_image, train_label, 21 epochs = 10, 22 validation_data = (test_image, test_label))
使用model.summary()查看当前模型结构：
1 model.summary()
训练完成后我们使用model.evaluate()方法对测试集进行评估。
1 model.evaluate(test_image, test_label)
正确率如下图所示：
然后我们使用model.save()方法保存完整模型。
1 model.save('model_1.h5')
保存后我们会得到一个名为model_1.h5的文件，这个文件就是保存好的模型。
保存好的模型会放到指定位置。
我们可以使用tf.keras.models.load_model()方法来导入我们保存好的模型，参数为已保存模型的储存位置以及文件名。
1 new_model = tf.keras.models.load_model('model_1.h5')
我们使用.summary()方法查看一下模型结构是否与之前相同。
1 new_model.summary()
可以发现模型结构是完全一致的。
然后我们使用.evaluate()方法对测试集进行评估，看一下模型权重是否被保存。
1 new_model.evaluate(test_image, test_label)
可以发现，loss值与之前完全相同。
注意：这里acc值发生了很严重的变化，目前不知道我还是什么原因导致的，但这不代表我们保存的模型或者是权重出现了问题，使用.predict()方法依然可以正常对数据进行分类预测，这是我使用.predict()方法预测后与原数据一一比对后确认过的，可能是出现了一个小bug，知道原因的小伙伴可以评论区回复我。
重申：模型是已经正常保存了的，是可以正常使用的，大家无需担心，loss值足够证明我们的模型是正常保存的。
2.仅保存模型结构
有时候我们可能不需要保存模型的权重，而只想保存模型的架构。
这时可以使用model.to_jison()来获取模型架构。
1 json = model.to_json()
json中保存了模型架构的完整信息。
我们可以使用python的文件操作方法将它写入到磁盘上，使用时再从磁盘上读入即可，这里不详细说明了，大家自行百度即可。
使用tf.keras.models.model_from_jsom()来恢复模型，参数为我们之前保存模型信息的变量json。
1 new_model = tf.keras.models.model_from_json(json)
同样，我们查看模型结构并对模型进行评估。
1 new_model.summary()
1 new_model.compile(optimizer = 'adam', 2 loss = 'sparse_categorical_crossentropy', 3 metrics = ['acc']) 4 5 new_model.evaluate(test_image, test_label)
注意，由于我们没有保存优化器，所以要先对模型添加一个优化器再进行评估。
可以发现loss值非常的大，也就说明的模型没有被训练过，模型中的参数都是随机产生的。
3.仅保存模型权重
同样的，我们也可以仅保存模型权重。
权重的保存有两种方法，可以像上面保存模型结构一样使用model.get_weights()把模型结构读入到变量中再进行保存，也可以使用keras提供的方法直接保存到磁盘上。
这里主要介绍第二种(主要是第一种用处不大)。
使用model.save_weights()方法进行保存，参数为保存路径以及文件名。
1 model.save_weights('weights_1.h5')
同样，我们会得到一个对应的文件。
然后使用.load_weigths()方法可以载入权重，参数为路径及文件名。
1 new_model.load_weights('weights_1.h5')
对测试集进行评估查看是否被正常载入。
1 new_model.evaluate(test_image, test_label)
loss值与之前相同，说明权重被正常载入了。
注意，保存权重也不会保存优化器，这里不用重定义优化器是因为上面已经给new_model这个对象定义过优化器了。
4.使用回调函数保存模型
我觉得这是最实用也是最好的模型保存方法。
首先定义一个回调函数监测训练过程并保存模型。
使用tf.keras.callbacks.ModelCheckpoint()来定义这样一个回调函数。
它的主要参数为:
filepath:储存位置。
moinitor = 'val_loss':监视的变量。
verboss = 0:是否显示详细信息。
save_best_only = False:为True则会保存loss最低的或者acc最高的。
save_weihts_only = False:是否只保存权重，为False会保存整个模型。
1 checkpoint = tf.keras.callbacks.ModelCheckpoint('modelcp', 2 save_weights_only = True, 3 save_best_only = True, 4 verbose = 1)
然后我们构建模型训练一下试试。
1 new_model = tf.keras.models.model_from_json(json) 2 3 new_model.compile(optimizer = 'adam', 4 loss = 'sparse_categorical_crossentropy', 5 metrics = ['acc']) 6 7 history = new_model.fit(train_image, train_label, 8 epochs = 5, 9 validation_data = (test_image, test_label), 10 callbacks = [checkpoint])
要在.fit()中加入callbacks参数调用回调函数。
可以发现我们的模型信息被保存了，同时多出来三个保存好的文件。
同样使用.load_weights()来载入权重，并进行评估。
1 new_model = tf.keras.models.model_from_json(json) 2 3 new_model.compile(optimizer = 'adam', 4 loss = 'sparse_categorical_crossentropy', 5 metrics = ['acc']) 6 7 new_model.load_weights('modelcp') 8 9 new_model.evaluate(test_image, test_label)
得到结果：
与训练时最后保存的结果相同。
关于模型的保存方法就介绍到这里了，后续会更新更多内容哦！o(*￣▽￣*)o