Python 保存keras模型以节省空间的最佳方法

我在博客中提到的vgg16模型的基础上，借助迁移学习，在keras中培训了一个模型

当我使用keras中的

model.save（）

方法保存模型时，输出文件大小（以.h5格式）约为200MB

我需要在github中推送此代码，但我们无法上载大小超过100MB的文件

那么，是否有任何方法可以将模型保存在较小的文件中

注意：：我需要的模型仅用于预测目的

请提供您的解决方案<代码>保存是最佳选择，但可以轻松保存和加载整个状态，以便连续工作。如果我理解正确，您需要的就更少了：

仅保存/加载模型的体系结构

仅保存/加载模型的权重

---

我想两者都比整个工作区瘦得多。您可以稍后使用这些来重新创建模型，如文档中所述（

load\u weights

，

load\u from\u json

，等等）。

我不知道如何使用更少的空间来保存这样的模型

---

但是，如果您的问题不是文件大小本身，而是上载文件大小限制，您可以尝试将文件拆分为几个小于该限制的块，然后上载这些块，例如使用。有关如何分割文件的教程，请参见链接。

我无法重新创建模型，稍后，只剩下预测工作了。因此model.to_json比model更好。save@AkashChandra我不确定您的意思，但是

model=model\u from\u json（json\u string）

将重新创建模型，以便您可以使用它。都在文件里了，我的错，对不起。我将重新表述我的问题：model.to_json或model.save应该使用哪个函数，即在空间方面哪个格式更好.h5或.json。

json

，这是您的问题，也是我的回答，无需再次检查。使用上述方法比使用

save

节省的空间要少得多，因此需要的空间要少得多。但是，如果要使用经过训练的模型进行预测，还需要保存权重。根据我的经验，权重是模型中数据量更大的部分。可能使用h5py和适当的压缩过滤器，或者这会有所帮助？谢谢，我的问题是在GitHub中上载文件大小限制，因为GitHub不允许上载大于100MB的文件。因此，我通过以本文提到的格式保存模型来减小大小。您不想将模型放在git上。如果您想对其进行版本设置，请尝试dvc之类的工具

json_string = model.to_json()
yaml_string = model.to_yaml()

model.save_weights('my_model_weights.h5')