Keras模型的保存与调用
一、模型的保存（结构 + 权重 + 优化器状态）
1、model.save('model.h5')#保存名为model的h5文件到程序所在目录
你可以使用 model.save(filepath) 将 Keras 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，允许准确地从你上次结束的地方继续训练。
2、如果只需要保存模型的结构，而非其权重或训练配置项，则可以执行以下操作：
# 保存为 JSON
json_string = model.to_json()
# 保存为 YAML
yaml_string = model.to_yaml()
你可以从这些数据建立一个新的模型：
# 从 JSON 重建模型：
from keras.models import model_from_json
model = model_from_json(json_string)
# 从 YAML 重建模型：
from keras.models import model_from_yaml
model = model_from_yaml(yaml_string)
3、只保存/加载模型的权重
如果您只需要 模型的权重，可以使用下面的代码以 HDF5 格式进行保存。
请注意，我们首先需要安装 HDF5 和 Python 库 h5py，它们不包含在 Keras 中。
model.save_weights('my_model_weights.h5')
假设你有用于实例化模型的代码，则可以将保存的权重加载到具有相同结构的模型中：
model.load_weights('my_model_weights.h5')
如果你需要将权重加载到不同的结构（有一些共同层）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('my_model_weights.h5', by_name=True)
例子：
"""
假设原始模型如下所示：
model = Sequential()
model.add(Dense(2, input_dim=3, name='dense_1'))
model.add(Dense(3, name='dense_2'))
...
model.save_weights(fname)
"""
# 新模型
model = Sequential()
model.add(Dense(2, input_dim=3, name='dense_1')) # 将被加载
model.add(Dense(10, name='new_dense')) # 将不被加载
# 从第一个模型加载权重；只会影响第一层，dense_1
model.load_weights(fname, by_name=True)
二、模型的加载
from keras.models import load_model
model = load_model('model.h5')#载入程序所在目录下名为model的h5模型框架参数
三、模型使用（图像分类模型）
1、model.predict()
当使用predict()方法进行预测时，返回值是数值，表示样本属于每一个类别的概率，我们可以使用numpy.argmax()方法找到样本以最大概率所属的类别作为样本的预测标签。
numpy.argmax(a)返回数组a中最大值所在的位置
# 对图像进行分类
preds = model.predict(x)
print(pred)
#输出[[2.69979779e-07 1.50991557e-03 9.40957308e-01 1.53805502e-09
5.74169382e-02 2.00743049e-08 5.82429775e-13 1.47752353e-08
6.25503671e-05 5.33912718e-08 4.72215740e-18 2.97202235e-16
8.11012334e-19 7.12863546e-10 1.55264762e-17 5.29809076e-05
7.24748874e-13 2.17059953e-23 6.66066933e-14 2.31473064e-14
3.67295783e-22 1.20753088e-08 1.15534161e-15 1.17659593e-17
1.29246865e-11 4.85833094e-14 8.04590889e-18 3.75492511e-16
2.33098371e-12 1.86269444e-09 6.25299688e-20 8.06493845e-16
3.69524827e-10 2.54514406e-15 6.45201473e-17 2.72551604e-14
3.49192212e-15 1.93733091e-21 1.64267204e-16 1.12610542e-15
1.17868511e-13 6.89566958e-18 1.75072841e-19]]
2、 predict_classes()方法
当使用predict_classes()方法进行预测时，返回的是类别的索引，即该样本所属的类别标签。
model.predict_classes(image)
输出：array([2], dtype=int64)，图像所在的种类。