Python Keras：如何保存模型或重量？

如果这个问题看起来很直截了当，我很抱歉。但是阅读Keras保存和恢复帮助页面：

我不明白如何在培训期间使用“ModelCheckpoint”进行保存。帮助文件提到它应该提供3个文件，我只看到一个，MODEL.ckpt

这是我的密码：

checkpoint_dir = FolderName + "/tmp/model.ckpt"
cp_callback = k.callbacks.ModelCheckpoint(checkpoint_dir,verbose=1,save_weights_only=True)    
parallel_model.compile(optimizer=tf.keras.optimizers.Adam(lr=learning_rate),loss=my_cost_MSE, metrics=['accuracy])
    parallel _model.fit(image, annotation, epochs=epoch, 
    batch_size=batch_size, steps_per_epoch=10,
                                 validation_data=(image_val,annotation_val),validation_steps=num_batch_val,callbacks=callbacks_list)

此外，当我想在训练后用以下方法负重时：

model = k.models.load_model(file_checkpoint)

我得到一个错误：

"raise ValueError('Unknown ' + printable_module_name + ':' + object_name) 
ValueError: Unknown loss function:my_cost_MSE"

---

my-cost_MSE是我在培训中使用的成本函数。

keras

有一个

保存

命令。它保存重建模型所需的所有详细信息

(摘自)

---

首先，看起来您使用的是

tf.keras

（来自tensorflow）实现，而不是

keras

（来自keras团队/keras回购）。在这种情况下，如以下文件所述：

保存模型权重时，tf.keras默认为检查点 格式。通过save_format='h5'使用HDF5

另一方面，请注意，添加回调

ModelCheckpoint

通常大致相当于在每个历元结束时调用

model.save（…）

，因此，您应该希望保存三个文件（根据

它不这样做的原因是，通过使用选项

save\u weights\u only=True

，您只保存了权重。大致相当于在每个历元结束时为

model.save

替换对

model.save\u weights

的调用。因此，保存的唯一文件是具有权重的文件

从这里开始，您可以通过两种不同的方式进行操作：

只存储重量 您需要事先加载模型（比如结构），然后调用

model.load\u weights

，而不是

keras.models.load\u model

：

model=MyModel（…）#培训中使用的模型定义
模型加载权重（文件检查点）

请注意，在这种情况下，自定义定义（

my_cost_MSE

）不会有问题，因为您只是加载模型权重

存储整个模型 另一种方法是存储整个模型并相应加载：

cp\u callback=k.callbacks.ModelCheckpoint(
检查点_dir，verbose=1，
仅保存权重=False
)    
并行_model.compile(
优化器=tf.keras.optimizers.Adam（lr=学习率），
损失=我的成本，
指标=['准确度']
)
model.fit（…，回调=[cp\u回调]）

然后您可以通过以下方式加载它：

model=k.models.load\u模型（文件检查点，自定义对象={“我的成本”：我的成本}）

---

请注意，在后一种情况下，您需要指定

自定义\u对象

，因为反序列化模型需要它的定义。

如何在培训期间应用它？我在其他页面上看到了这一点，询问有关保存的问题，但在model.fit中，它将不起作用。

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 am identical compiled model
model = load_model('my_model.h5')