如果需要全部权重载入,直接使用权重载入方式
model.save_weights('./weigths.h5')
model2.load_weights('./weigths.h5')
但是有时候你只需要载入部分权重
所以你可以这样操作
首先,为所有层命名,在层中直接加入方法 name='layer1'
第二,使用,将你不需要载入权重的值更改名字。
最后,载入权重。
x=BatchNormalization(axis=channel_axis,name='layer2')(x) model2.layers[-1].name='pred' model2.load_weights('./weigths.h5',by_name=True)
上面的代码是对应的操作,这里我除了最后一层,其他层我都加载了权重,记住,by_name 必须赋值为True 这样才能够按照名称对应赋值权重。
注意:两个模型结构必须一样,不然可能出问题
补充知识:Keras中保存和加载权重及模型结构
1. 保存和加载模型结构
(1)保存为JSON字串
json_string = model.to_json()
(2)从JSON字串重构模型
from keras.models import model_from_json
model = model_from_json(json_string)
(3)保存为YAML字串
yaml_string = model.to_yaml()
(4)从YAML字串重构模型
model = model_from_yaml(yaml_string)
2. 保存和加载模型权重(参数)
from keras.models import load_model # 创建HDF5文件'my_model.h5',保存模型参数 model.save('my_model.h5') # 加载模型参数 load_model('my_model.h5')
2.1 处理已保存模型中的自定义层(或其他自定义对象)
如果要加载的模型包含自定义层或其他自定义类或函数,则可以通过 custom_objects 参数将它们传递给加载机制:
from keras.models import load_model # 假设你的模型包含一个 AttentionLayer 类的实例 model = load_model('my_model.h5', custom_objects={'AttentionLayer': AttentionLayer})
或者,你可以使用 自定义对象作用域:
from keras.utils import CustomObjectScope with CustomObjectScope({'AttentionLayer': AttentionLayer}): model = load_model('my_model.h5')
自定义对象的处理与 load_model, model_from_json, model_from_yaml 的工作方式相同:
from keras.models import model_from_json
model = model_from_json(json_string, custom_objects={'AttentionLayer': AttentionLayer})
2019年6月1号更新:
更详细的使用方法:
如何保存Keras模型?
(1)一个HDF5文件即保存模型的结构又保存模型的权重
我们不推荐使用pickle或cPickle来保存Keras模型。
你可以使用model.save(filepath)将Keras模型和权重保存在一个HDF5文件中,该文件将包含:
模型的结构,以便重构该模型
模型的权重
训练配置(损失函数,优化器等)
优化器的状态,以便于从上次训练中断的地方开始
使用keras.models.load_model(filepath)来重新实例化你的模型,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。
例子:
from keras.models import load_model model.save('my_model.h5') # creates a HDF5 file 'my_model.h5' del model # deletes the existing model # returns a compiled model # identical to the previous one model = load_model('my_model.h5')
(2)只保存模型的结构
如果你只是希望保存模型的结构,而不包含其权重或配置信息,可以使用:
# save as JSON json_string = model.to_json() # save as YAML yaml_string = model.to_yaml()
这项操作将把模型序列化为json或yaml文件,这些文件对人而言也是友好的,如果需要的话你甚至可以手动打开这些文件并进行编辑。
当然,你也可以从保存好的json文件或yaml文件中载入模型:
# model reconstruction from JSON: from keras.models import model_from_json model = model_from_json(json_string) # model reconstruction from YAML model = model_from_yaml(yaml_string)
(3)只保存模型的权重
如果需要保存模型的权重,可通过下面的代码利用HDF5进行保存。注意,在使用前需要确保你已安装了HDF5和其Python库h5py。
model.save_weights('my_model_weights.h5')
如果你需要在代码中初始化一个完全相同的模型,请使用:
model.load_weights('my_model_weights.h5')
如果你需要加载权重到不同的网络结构(有些层一样)中,例如fine-tune或transfer-learning,你可以通过层名字来加载模型:
model.load_weights('my_model_weights.h5', by_name=True)
例如:
""" 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) """ # new model model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded model.add(Dense(10, name="new_dense")) # will not be loaded # load weights from first model; will only affect the first layer, dense_1. model.load_weights(fname, by_name=True)
以上这篇keras 权重保存和权重载入方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。