个人可以做慈善网站吗搜索引擎优化的含义和目标

1、model.save() and model.load()

此种方法可保存模型的结构、参数等内容。加载模型后无需设置即可使用！

保存模型：

model.save('my_model.h5')

加载模型：

# 加载整个模型
loaded_model = tf.keras.models.load_model('my_model.h5')

注意，创建的模型不能使用自定义的loss函数等方法，否则导入时会出错！

示例：

model_file = "data/model/multi_labels_model.h5"    # 模型文件路径
def model_handle(x_train, y_train):if os.path.exists(model_file):print("---load the model---")model = tf.keras.models.load_model(model_file) # 导入已存在的模型else:# 模型构建model = tf.keras.Sequential([tf.keras.layers.LSTM(128),tf.keras.layers.Dense(class_num, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())])# 编译模型，不能使用自定义函数方法，否则导入模型会有问题model.compile(loss="BinaryCrossentropy", optimizer='adam', metrics=['accuracy'])history = model.fit(x_train, y_train, epochs=epoch_num, batch_size=1, verbose=1, callbacks=[PrintPredictionsCallback(x_train, y_train)])model.summary()model.save(model_file)return model

2、model.save_weight() and model.load_weight()

此方法只保存和加载模型的权重。

保存权重：

# 只保存权重
model.save_weights('my_model_weights.h5')

加载权重：

# 创建一个新的模型实例（确保架构与原始模型相同）
new_model = tf.keras.models.Sequential([tf.keras.layers.Dense(10, activation='relu', input_shape=(32,)),tf.keras.layers.Dense(1)
])
# new_model.build(input_shape=x_train.shape) # 如果模型创建时没有规定input_shape，需要创建
# 加载权重到新模型
new_model.load_weights('my_model_weights.h5')

此方法的模型可以使用自定义的函数方法。

注意：以H5格式加载子类模型的参数时，需要提前建立模型，规定输入网络的shape，否则会报错！

ValueError: Unable to load weights saved in HDF5 format into a subclassed Model which has not created its variables yet. Call the Model first, then load the weights.

示例：

def model_handle(x_train, y_train):# 模型构建，多分类的激活函数使用sigmoid 或 softmaxmodel = tf.keras.Sequential([tf.keras.layers.LSTM(128),tf.keras.layers.Dense(class_num, activation='softmax', kernel_regularizer=tf.keras.regularizers.l2())])if os.path.exists(model_file):print("-----load model weights-----")model.build(input_shape=x_train.shape)  # 以H5格式加载子类模型的参数时，需要提前建立模型，规定输入网络的shape，否则会报错model.load_weights(model_file)else:# 编译模型，使用自定义loss函数model.compile(loss=custom_loss, optimizer='adam', metrics=['accuracy'])# model.compile(loss="BinaryCrossentropy", optimizer='adam', metrics=['accuracy'])history = model.fit(x_train, y_train, epochs=epoch_num, batch_size=1, verbose=1, callbacks=[PrintPredictionsCallback(x_train, y_train)])model.summary()model.save_weights(model_file)return model

3、model.checkpoint

主要是用于模型的断点续训。用法参考如下：

checkpoint_save_path = "./checkpoint/my_checkpoint.ckpt"if os.path.exists(checkpoint_save_path + '.index'):print('-------------load the model-----------------')model.load_weights(checkpoint_save_path)cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,save_weights_only=True,save_best_only=True,monitor='val_loss')history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1,callbacks=[cp_callback])model.summary()