保存与调用keras训练的模型

https://blog.csdn.net/baimafujinji/article/details/42110831

http://keras-cn.readthedocs.io/en/latest/

1

保存以及训练好的模型

from keras.models import load_model

model.save('fei_model.h5')

2

载入已经储存好的模型同样非常简单。你可以另外开一个新文件，导入必要的包和数据（当然无需重新定义和训练模型），然后使用下面这样的语句：

from keras.models import load_model
my_model = load_model('/home/airobot/Desktop/fei_model.h5')

被载入的模型是否可以使用呢？我们用它来做一下predict，代码如下：

pred = my_model.predict(X_test_0[:])
print('Label of testing sample', np.argmax(y_test_0))
print('Output of the softmax layer', pred[0])
print('Network prediction:', np.argmax([pred[0]]))

如果你有读之前的文章《跟我一起学Keras之实例篇(2) 》，可知下面的输出表明，程序准确地预测了手写数字为7。
('Label of testing sample', 7)
('Output of the softmax layer', array([  1.55717719e-23,   1.71202164e-13,   5.04616253e-14,
         7.39000111e-11,   3.02617696e-22,   3.59160995e-19,
         9.96468490e-34,   1.00000000e+00,   4.57078810e-19,
         2.00005355e-12], dtype=float32))
('Network prediction:', 7)

from keras.models import Sequential

model = Sequential()

将一些网络层通过.add()堆叠起来，就构成了一个模型：

from keras.layers import Dense, Activation

model.add(Dense(units=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(units=10))
model.add(Activation("softmax"))

完成模型的搭建后，我们需要使用.compile()方法来编译模型：

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])