# 保存并加载您的 Keras 深度学习模型 > 原文： [https://machinelearningmastery.com/save-load-keras-deep-learning-models/](https://machinelearningmastery.com/save-load-keras-deep-learning-models/) Keras 是一个简单而强大的 Python 库，用于深度学习。 鉴于深度学习模型可能需要数小时，数天甚至数周才能进行训练，因此了解如何从磁盘保存和加载它们非常重要。 在这篇文章中，您将了解如何将 Keras 模型保存到文件中并再次加载它们以进行预测。 让我们开始吧。 * **2017 年 3 月更新**：添加了先安装 h5py 的说明。在每个示例中的最终打印语句中添加了缺少括号。 * **2017 年 3 月更新**：更新了 Keras 2.0.2，TensorFlow 1.0.1 和 Theano 0.9.0 的示例。 * **更新 March / 2018** ：添加了备用链接以下载数据集，因为原始图像已被删除。  保存并加载您的 Keras 深度学习模型 照片由 [art_inthecity](https://www.flickr.com/photos/art_inthecity/6346545268/) 保留，保留一些权利。 ## 教程概述 Keras 将保存模型架构和保存模型权重的问题分开。 模型权重保存为 [HDF5 格式](http://www.h5py.org/)。这是一种网格格式，非常适合存储多维数字数组。 可以使用两种不同的格式描述和保存模型结构：JSON 和 YAML。 在这篇文章中，我们将看两个保存模型并将其加载到文件的示例： * 将模型保存为 JSON。 * 将模型保存到 YAML。 每个示例还将演示如何将模型权重保存并加载到 HDF5 格式的文件中。 这些例子将使用在 Pima Indians 糖尿病二元分类数据集开始时训练的相同简单网络。这是一个包含所有数字数据的小型数据集，易于使用。您可以[下载此数据集](http://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data)并将其放在您的工作目录中，文件名为“ _pima-indians-diabetes.csv_ ”（更新：[从这里下载](https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv)）。 确认您安装了最新版本的 Keras（截至 2017 年 3 月的 v1.2.2）。 注意：您可能需要先安装 _h5py_ ： ```py sudo pip install h5py ``` ## 将您的神经网络模型保存为 JSON JSON 是一种用于分层描述数据的简单文件格式。 Keras 提供了使用带有 _to_json（）_ 函数的 JSON 格式描述任何模型的功能。这可以保存到文件中，然后通过 _model_from_json（）_ 函数加载，该函数将根据 JSON 规范创建新模型。 使用 _save_weights（）_ 函数直接从模型保存权重，然后使用对称 _load_weights（）_ 函数加载。 以下示例训练和评估 Pima Indians 数据集上的简单模型。然后将模型转换为 JSON 格式并写入本地目录中的 model.json。网络权重写入本地目录中的 _model.h5_ 。 从保存的文件加载模型和重量数据，并创建新模型。在加载模型使用之前编译它是很重要的。这样使用该模型进行的预测可以使用 Keras 后端的适当有效计算。 以相同的方式评估模型，打印相同的评估分数。 ```py # MLP for Pima Indians Dataset Serialize to JSON and HDF5 from keras.models import Sequential from keras.layers import Dense from keras.models import model_from_json import numpy import os # fix random seed for reproducibility numpy.random.seed(7) # load pima indians dataset dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") # split into input (X) and output (Y) variables X = dataset[:,0:8] Y = dataset[:,8] # create model model = Sequential() model.add(Dense(12, input_dim=8, kernel_initializer='uniform', activation='relu')) model.add(Dense(8, kernel_initializer='uniform', activation='relu')) model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid')) # Compile model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Fit the model model.fit(X, Y, epochs=150, batch_size=10, verbose=0) # evaluate the model scores = model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) # serialize model to JSON model_json = model.to_json() with open("model.json", "w") as json_file: json_file.write(model_json) # serialize weights to HDF5 model.save_weights("model.h5") print("Saved model to disk") # later... # load json and create model json_file = open('model.json', 'r') loaded_model_json = json_file.read() json_file.close() loaded_model = model_from_json(loaded_model_json) # load weights into new model loaded_model.load_weights("model.h5") print("Loaded model from disk") # evaluate loaded model on test data loaded_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) score = loaded_model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (loaded_model.metrics_names[1], score[1]*100)) ``` 运行此示例提供下面的输出。 ```py acc: 78.78% Saved model to disk Loaded model from disk acc: 78.78% ``` 该模型的 JSON 格式如下所示： ```py { "keras_version":"2.0.2", "backend":"theano", "config":[ { "config":{ "dtype":"float32", "bias_regularizer":null, "activation":"relu", "bias_constraint":null, "use_bias":true, "bias_initializer":{ "config":{ }, "class_name":"Zeros" }, "kernel_regularizer":null, "activity_regularizer":null, "kernel_constraint":null, "trainable":true, "name":"dense_1", "kernel_initializer":{ "config":{ "maxval":0.05, "minval":-0.05, "seed":null }, "class_name":"RandomUniform" }, "batch_input_shape":[ null, 8 ], "units":12 }, "class_name":"Dense" }, { "config":{ "kernel_regularizer":null, "bias_regularizer":null, "activation":"relu", "bias_constraint":null, "use_bias":true, "bias_initializer":{ "config":{ }, "class_name":"Zeros" }, "activity_regularizer":null, "kernel_constraint":null, "trainable":true, "name":"dense_2", "kernel_initializer":{ "config":{ "maxval":0.05, "minval":-0.05, "seed":null }, "class_name":"RandomUniform" }, "units":8 }, "class_name":"Dense" }, { "config":{ "kernel_regularizer":null, "bias_regularizer":null, "activation":"sigmoid", "bias_constraint":null, "use_bias":true, "bias_initializer":{ "config":{ }, "class_name":"Zeros" }, "activity_regularizer":null, "kernel_constraint":null, "trainable":true, "name":"dense_3", "kernel_initializer":{ "config":{ "maxval":0.05, "minval":-0.05, "seed":null }, "class_name":"RandomUniform" }, "units":1 }, "class_name":"Dense" } ], "class_name":"Sequential" } ``` ## 将您的神经网络模型保存到 YAML 此示例与上述 JSON 示例大致相同，只是 [YAML](https://en.wikipedia.org/wiki/YAML) 格式用于模型规范。 使用 YAML 描述模型，保存到文件 model.yaml，然后通过 _model_from_yaml（）_ 函数加载到新模型中。权重的处理方式与上面 HDF5 格式相同，如 model.h5。 ```py # MLP for Pima Indians Dataset serialize to YAML and HDF5 from keras.models import Sequential from keras.layers import Dense from keras.models import model_from_yaml import numpy import os # fix random seed for reproducibility seed = 7 numpy.random.seed(seed) # load pima indians dataset dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",") # split into input (X) and output (Y) variables X = dataset[:,0:8] Y = dataset[:,8] # create model model = Sequential() model.add(Dense(12, input_dim=8, kernel_initializer='uniform', activation='relu')) model.add(Dense(8, kernel_initializer='uniform', activation='relu')) model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid')) # Compile model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # Fit the model model.fit(X, Y, epochs=150, batch_size=10, verbose=0) # evaluate the model scores = model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) # serialize model to YAML model_yaml = model.to_yaml() with open("model.yaml", "w") as yaml_file: yaml_file.write(model_yaml) # serialize weights to HDF5 model.save_weights("model.h5") print("Saved model to disk") # later... # load YAML and create model yaml_file = open('model.yaml', 'r') loaded_model_yaml = yaml_file.read() yaml_file.close() loaded_model = model_from_yaml(loaded_model_yaml) # load weights into new model loaded_model.load_weights("model.h5") print("Loaded model from disk") # evaluate loaded model on test data loaded_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy']) score = loaded_model.evaluate(X, Y, verbose=0) print("%s: %.2f%%" % (loaded_model.metrics_names[1], score[1]*100)) ``` 运行该示例将显示以下输出： ```py acc: 78.78% Saved model to disk Loaded model from disk acc: 78.78% ``` 以 YAML 格式描述的模型如下所示： ```py backend: theano class_name: Sequential config: - class_name: Dense config: activation: relu activity_regularizer: null batch_input_shape: !!python/tuple [null, 8] bias_constraint: null bias_initializer: class_name: Zeros config: {} bias_regularizer: null dtype: float32 kernel_constraint: null kernel_initializer: class_name: RandomUniform config: {maxval: 0.05, minval: -0.05, seed: null} kernel_regularizer: null name: dense_1 trainable: true units: 12 use_bias: true - class_name: Dense config: activation: relu activity_regularizer: null bias_constraint: null bias_initializer: class_name: Zeros config: {} bias_regularizer: null kernel_constraint: null kernel_initializer: class_name: RandomUniform config: {maxval: 0.05, minval: -0.05, seed: null} kernel_regularizer: null name: dense_2 trainable: true units: 8 use_bias: true - class_name: Dense config: activation: sigmoid activity_regularizer: null bias_constraint: null bias_initializer: class_name: Zeros config: {} bias_regularizer: null kernel_constraint: null kernel_initializer: class_name: RandomUniform config: {maxval: 0.05, minval: -0.05, seed: null} kernel_regularizer: null name: dense_3 trainable: true units: 1 use_bias: true keras_version: 2.0.2 ``` ## 进一步阅读 * [如何保存 Keras 型号？ Keras 文档中的](https://keras.io/getting-started/faq/#how-can-i-save-a-keras-model)。 * [关于 Keras 文档中的 Keras 型号](https://keras.io/models/about-keras-models/)。 ## 摘要 在这篇文章中，您了解了如何序列化您的 Keras 深度学习模型。 您学习了如何将训练过的模型保存到文件中，然后加载它们并使用它们进行预测。 您还了解到，使用 HDF5 格式可以轻松存储模型权重，并且网络结构可以以 JSON 或 YAML 格式保存。 您对保存深度学习模型或此帖子有任何疑问吗？在评论中提出您的问题，我会尽力回答。