keras 保存模型pickle.dump TypeError: cannot pickle ‘_thread.RLock‘ object
如何保存 Keras 模型？
保存/加载整个模型（结构 + 权重 + 优化器状态）
不建议使用 pickle 或 cPickle 来保存 Keras 模型。
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。
你可以使用 keras.models.load_model(filepath) 重新实例化模型。load_model 还将负责使用保存的训练配置项来编译模型（除非模型从未编译过）。
例子：
from keras.models import load_model
model.save(‘my_model.h5’) # 创建 HDF5 文件 ‘my_model.h5’
del model # 删除现有模型
返回一个编译好的模型
与之前那个相同
model = load_model(‘my_model.h5’)
另请参阅如何安装 HDF5 或 h5py 以在 Keras 中保存我的模型？，查看有关如何安装 h5py 的说明。
只保存/加载模型的结构
如果您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()
生成的 JSON/YAML 文件是人类可读的，如果需要还可以手动编辑。
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)
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)
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})
参考文献：
1.https://www.codenong.com/55937713/
2.keras中文文献，https://keras.io/zh/getting-started/faq/#how-can-i-save-a-keras-model