第2章 2.6 模型的保存与加载

模型的保存与加载模型的保存与加载Keras提供了如下几种模型的保存与加载的方法。（1）使用model.save(filepath)将模型保存到单个HDF5文件中。该文件将包含：模型的结构，允许重新创建模型；模型的权重；训练配置项（损失函数、优化器）；优化器状态，允许准确地从上次结束的地方继续训练。保存好模型之后，可以用model=load_model(filepath)载入程序所在目录下名为filepath的路径中所保存的模型，其中load_model是keras.models下的一个函数。（2）使用json_string=model.to_json()或yaml_string=model.to_yaml()，返回模型结构的JSON格式或YAML格式的字符串，而非其权重或训练配置项。使用model_from_json(json_string)或model_from_yaml(yaml_string)函数即可恢复模型的结构，其中model_from_json和model_from_yaml是keras.models下的函数。（3）使用model.save_weights(filepath)，只保存模型的权重。model.load_weights(filepath)可以恢复所保存的权重，但是需要模型的定义代码。如果需要将权重加载到不同结构（有一些共同名字的层）的模型中，例如微调或迁移学习，则可以按层的名字来加载权重model.load_weights(filepath,by_name=True)。实训1利用Keras进行数据加载与增强（1）掌握Keras图像数据加载的方法（2）掌握Keras图像数据增强的方法1.训练要点2．需求说明cifar10数据集一共包含10个类别的RGB彩色图片：飞机（airplane）、汽车（automobile）、鸟类（bird）、猫（cat）、鹿（deer）、狗（dog）、蛙类（frog）、马（horse）、船（ship）和卡车（truck）。图片的尺寸为32×32，一共有50000张训练图片和10000张测试图片。设cifar10的训练数据分别存在10个文件夹（不能直接使用keras.datasets.cifar10读取），每个文件夹的图像来自同一类别。用Keras的ImageDataGenerator类从硬盘的文件夹中分批读取图像数据进行训练，并且设置合适的参数进行实时数据增强，对比无增强时的实验结果。训练数据文件夹结构如右图，验证数据的存储方式类似。实训1利用Keras进行数据加载与增强（1）利用模块keras.preprocessing.image.ImageDataGenerator，传入合适的数据增强的参数来实例化一个Image

DataGenerator对象。（2）利用该对象的flow_from_directory函数，传入训练图像数据所在的路径，实时读取数据。（3）构造一个简单的全连接神经网络，并设置好优化器和损失函数。（4）把flow_from_directory函数返回的对象传入fit函数中，训练神经网络。3.实现思路及步骤实训2利用Keras构建网络并训练（1）掌握Keras构建网络的方法（2）掌握Keras进行训练的方法1.训练要点2．需求说明对cifar10数据集（可以直接使用keras.datasets.cifar10读取），做如下实验。（1）构建合适的全连接网络结构进行分类，并定义一个自定义的全连接层加入网络中。（2）使用不同的激活函数，比如ReLU、Sigmoid、Softmax，并对比结果。（3）分别选择SGD、Adam、RMSprop等优化器求解模型，设置合适的参数。并使用学习率时间表来调整优化器的学习率。（4）对比使用各种损失函数的结果：分类交叉熵损失、稀疏分类交叉熵损失、均方误差损失、KL散度损失等实训2利用Keras构建网络并训练2．需求说明（5）利用回调，设置ModelCheckpoint，把训练过程中对验证集分类精度最高的模型保存为.h5文件。另写一个.py文件，不用重新训练模型，直接读取.h5文件和测试数据计算分类精度。（6）利用回调，记录TensorBoard日志，并且在浏览器中可视化训练过程。3.实现思路及步骤（1）参考2.3.2小节实现自定义的全连接层。（2）参考2.3.2小节选择使用不同的激活函数。（3）参考2.4.1小节选择使用不同的优化器。（4）参考2.4.2小节选择使用不同的损失函数。（5）参考2.5.2小节设置回调检查。（6）参考2.5.2小节设置TensorBoard日志并实现可视化。小结本章介绍了Keras深度学习通用流程，包括利用Keras进行数据加载与预处理，利用Kera