如果需要全部權(quán)重載入，直接使用權(quán)重載入方式

model.save_weights('./weigths.h5')
model2.load_weights('./weigths.h5')

但是有時(shí)候你只需要載入部分權(quán)重

所以你可以這樣操作

首先，為所有層命名，在層中直接加入方法　name='layer1'

第二，使用，將你不需要載入權(quán)重的值更改名字。

最后，載入權(quán)重。

x=BatchNormalization(axis=channel_axis,name='layer2')(x)
 
model2.layers[-1].name='pred'
model2.load_weights('./weigths.h5',by_name=True)

上面的代碼是對(duì)應(yīng)的操作，這里我除了最后一層，其他層我都加載了權(quán)重，記住，by_name 必須賦值為T(mén)rue 這樣才能夠按照名稱(chēng)對(duì)應(yīng)賦值權(quán)重。

注意：兩個(gè)模型結(jié)構(gòu)必須一樣，不然可能出問(wèn)題

補(bǔ)充知識(shí)：Keras中保存和加載權(quán)重及模型結(jié)構(gòu)

1. 保存和加載模型結(jié)構(gòu)

（1）保存為JSON字串

json_string = model.to_json()

（2）從JSON字串重構(gòu)模型

from keras.models import model_from_json
model = model_from_json(json_string)

（3）保存為YAML字串

yaml_string = model.to_yaml()

（4）從YAML字串重構(gòu)模型

model = model_from_yaml(yaml_string)

2. 保存和加載模型權(quán)重（參數(shù)）

from keras.models import load_model
 
# 創(chuàng)建HDF5文件'my_model.h5'，保存模型參數(shù)
model.save('my_model.h5')
 
# 加載模型參數(shù)
load_model('my_model.h5')

2.1 處理已保存模型中的自定義層（或其他自定義對(duì)象）

如果要加載的模型包含自定義層或其他自定義類(lèi)或函數(shù)，則可以通過(guò) custom_objects 參數(shù)將它們傳遞給加載機(jī)制：

from keras.models import load_model
 
# 假設(shè)你的模型包含一個(gè) AttentionLayer 類(lèi)的實(shí)例
model = load_model('my_model.h5', custom_objects={'AttentionLayer': AttentionLayer})

或者，你可以使用 自定義對(duì)象作用域：

from keras.utils import CustomObjectScope
 
with CustomObjectScope({'AttentionLayer': AttentionLayer}):
 model = load_model('my_model.h5')

自定義對(duì)象的處理與 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號(hào)更新：

更詳細(xì)的使用方法：

如何保存Keras模型？

（1）一個(gè)HDF5文件即保存模型的結(jié)構(gòu)又保存模型的權(quán)重

我們不推薦使用pickle或cPickle來(lái)保存Keras模型。

你可以使用model.save(filepath)將Keras模型和權(quán)重保存在一個(gè)HDF5文件中，該文件將包含：

模型的結(jié)構(gòu)，以便重構(gòu)該模型

模型的權(quán)重

訓(xùn)練配置（損失函數(shù)，優(yōu)化器等）

優(yōu)化器的狀態(tài)，以便于從上次訓(xùn)練中斷的地方開(kāi)始

使用keras.models.load_model(filepath)來(lái)重新實(shí)例化你的模型，如果文件中存儲(chǔ)了訓(xùn)練配置的話，該函數(shù)還會(huì)同時(shí)完成模型的編譯。

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）只保存模型的結(jié)構(gòu)

如果你只是希望保存模型的結(jié)構(gòu)，而不包含其權(quán)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()

這項(xiàng)操作將把模型序列化為json或yaml文件，這些文件對(duì)人而言也是友好的，如果需要的話你甚至可以手動(dòng)打開(kāi)這些文件并進(jìn)行編輯。

當(dāng)然，你也可以從保存好的json文件或yaml文件中載入模型：

# 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）只保存模型的權(quán)重

如果需要保存模型的權(quán)重，可通過(guò)下面的代碼利用HDF5進(jìn)行保存。注意，在使用前需要確保你已安裝了HDF5和其Python庫(kù)h5py。

model.save_weights('my_model_weights.h5')

如果你需要在代碼中初始化一個(gè)完全相同的模型，請(qǐng)使用：

model.load_weights('my_model_weights.h5')

如果你需要加載權(quán)重到不同的網(wǎng)絡(luò)結(jié)構(gòu)（有些層一樣）中，例如fine-tune或transfer-learning，你可以通過(guò)層名字來(lái)加載模型：

model.load_weights('my_model_weights.h5', by_name=True)

例如：

"""
假如原模型為：
 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)

以上這篇keras 權(quán)重保存和權(quán)重載入方式就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論