Python 如何腌制Keras模型？

官方文件指出，“不建议使用pickle或cPickle保存Keras模型。”

然而，我对pickle-Keras模型的需求源于使用sklearn的RandomizedSearchCV（或任何其他超参数优化器）的超参数优化。必须将结果保存到文件中，因为这样可以在分离的会话等中远程执行脚本

基本上，我想：

trial_search = RandomizedSearchCV( estimator=keras_model, ... )
pickle.dump( trial_search, open( "trial_search.pickle", "wb" ) )

这就像一个符咒：

---

另外，由于我的

模型，我遇到了一些问题。由于循环引用，to_json（）

引发了

TypeError（'Not json Serializable:'，obj）

，并且这个错误不知怎的被上面的代码吞没了，因此导致pickle函数永远运行

您可以使用可通过pip安装的deploy ml模块对Keras神经网络进行Pickle

pip install deploy-ml

使用deploy ml包装器对kera神经网络进行全面培训和部署，如下所示：

import pandas as pd
from deployml.keras import NeuralNetworkBase


# load data 
train = pd.read_csv('example_data.csv')

# define the moel 
NN = NeuralNetworkBase(hidden_layers = (7, 3),
                   first_layer=len(train.keys())-1, 
                   n_classes=len(train.keys())-1)

# define data for the model 
NN.data = train

# define the column in the data you're trying to predict
NN.outcome_pointer = 'paid'

# train the model, scale means that it's using a standard 
# scaler to scale the data
NN.train(scale=True, batch_size=100)

NN.show_learning_curve()

# display the recall and precision 
NN.evaluate_outcome()

# Pickle your model
NN.deploy_model(description='Keras NN',
            author="maxwell flitton", organisation='example',
            file_name='neural.sav')

pickle文件包含模型、测试中的度量、变量名列表及其输入顺序、使用的Keras和python版本，如果使用了scaler，它也将存储在文件中。文件是。通过以下方式加载和使用文件：

import pickle

# use pickle to load the model 
loaded_model = pickle.load(open("neural.sav", 'rb'))

# use the scaler to scale your data you want to input 
input_data = loaded_model['scaler'].transform([[1, 28, 0, 1, 30]])

# get the prediction 
loaded_model['model'].predict(input_data)[0][0]

我理解培训可能有点限制。Deploy ml支持为Sk learn导入您自己的模型，但它仍在为Keras提供这种支持。但是，我发现您可以创建一个deploy ml NeuralNetworkBase对象，在deploy ml之外定义自己的Keras神经网络，并将其分配给deploy ml model属性，这样就可以了：

 NN = NeuralNetworkBase(hidden_layers = (7, 3),
               first_layer=len(train.keys())-1, 
               n_classes=len(train.keys())-1)

NN.model = neural_network_you_defined_yourself

---

到目前为止，Keras模型是可酸洗的。但我们仍然建议使用

model.save（）

将模型保存到磁盘。

使用get\u weights和set\u weights分别保存和加载模型。 请查看此链接：

---

这个问题也适用于其他深度学习框架，如Tensorflow等。Keras建议使用。希基特。使用RandomizedSearchCV调整参数后，您只需使用

试用搜索。最佳估计值

获得最佳拟合模型，然后使用keras推荐的方法。你为什么要保存RandomizedSearchCV对象？因为你想保存搜索历史以及所有细节，例如，我想知道第二个最佳结果是什么样子，以及它使用了哪些参数。然后，不是完整的RandomizedSearchCV，您应该寻找保存

cv\u results\u

属性，该属性将是一个包含您需要的所有信息的dict。根据定义，如果不保存整个对象，您将丢失信息。例如，在以后的某个日期，我突然想比较第三个最佳模型和第五个最佳模型的权重。现在，我必须重新运行这些模型，而不是

pickle.load（）

。难道我不能吗？另外，我不想被附加到

sklearn

，因为我想在以后使用其他hyperparam优化器。我在keras常见问题解答中看到了这一建议，但我想知道为什么

model.save（）

比pickle更受欢迎，你能在回答中澄清这一点吗？使用model.save（）保存的模型将与Keras的未来版本兼容，也可以导出到其他平台和实现（deeplearning4j、Apple CoreML等）。model.save（）与python3有缺陷。每次我加载模型时，它都会为相同的输入预测不同的内容。

 NN = NeuralNetworkBase(hidden_layers = (7, 3),
               first_layer=len(train.keys())-1, 
               n_classes=len(train.keys())-1)

NN.model = neural_network_you_defined_yourself

#for heavy model architectures, .h5 file is unsupported.
weigh= model.get_weights();    pklfile= "D:/modelweights.pkl"
try:
    fpkl= open(pklfile, 'wb')    #Python 3     
    pickle.dump(weigh, fpkl, protocol= pickle.HIGHEST_PROTOCOL)
    fpkl.close()
except:
    fpkl= open(pklfile, 'w')    #Python 2      
    pickle.dump(weigh, fpkl, protocol= pickle.HIGHEST_PROTOCOL)
    fpkl.close()