在訓練之后和訓練過程中都可以保存模型進度。 這意味著模型可以從中斷的地方繼續進行，避免了長時間的訓練。 保存還意味著您可以共享模型，而其他人可以重新創建您的作品。 在發布研究模型和技術時，大多數機器學習從業者分享：

• 創建模型的代碼，以及
• 模型的訓練權重或參數

共享這些數據可幫助其他人了解模型的工作原理，并使用新數據自己嘗試。

設定

我們將使用MNIST數據集來訓練我們的模型，以演示如何保存權重。 為了加快這些演示運行，僅使用前1000個示例：

library(keras)mnist % array_reshape(c(1000, 28 * 28))train_images % array_reshape(c(1000, 28 * 28))test_images

定義模型

讓我們建立一個簡單的模型，以演示如何保存和加載權重。

# Returns a short sequential modelcreate_model % layer_dense(units = 512, activation = "relu", input_shape = 784) %>% layer_dropout(0.2) %>% layer_dense(units = 10, activation = "softmax") model %>% compile( optimizer = "adam", loss = "sparse_categorical_crossentropy", metrics = list("accuracy") ) model}model % summary()

保存整個模型

保存Keras模型的習慣形式是保存為HDF5格式。

生成的文件包含權重值，模型的配置，甚至優化器的配置。 這使您可以保存模型并稍后從完全相同的狀態恢復訓練，而無需訪問原始代碼。

model % fit(train_images, train_labels, epochs = 5)model %>% save_model_hdf5("my_model.h5")

如果您只想保存權重，則可以將最后一行替換為

model %>% save_model_weights_hdf5("my_model_weights.h5")

現在從該文件重新創建模型：

new_model % summary()

在訓練期間保存檢查點

在訓練期間和訓練結束時自動保存檢查點非常有用。這樣，您可以使用受過訓練的模型，而無需重新訓練它，也可以在您離開的地方進行訓練，以防訓練過程中斷。

callback_model_checkpoint是執行此任務的回調。

回調使用幾個參數來配置檢查點。默認情況下，save_weights_only設置為false，這意味著將保存完整的模型-包括體系結構和配置。然后，您可以按照上一段所述還原模型。

現在，讓我們集中討論僅保存和恢復權重。在以下代碼段中，我們將save_weights_only設置為true，因此在還原時需要模型定義。

filepath參數可以包含命名的格式選項，例如：如果文件路徑為權重。{epoch：02d}-{val_loss：.2f} .hdf5，則模型檢查點將與時期號一起保存，文件名中的驗證丟失。

保存的模型權重將再次為HDF5格式。

檢查點回調用法

訓練模型并將其傳遞給callback_model_checkpoint：

checkpoint_dir % fit( train_images, train_labels, epochs = 10, validation_data = list(test_images, test_labels), callbacks = list(cp_callback) # pass callback to training)

檢查創建的文件：

list.files(checkpoint_dir)

創建一個新的未經訓練的模型。 僅從權重還原模型時，必須具有與原始模型具有相同體系結構的模型。 由于它是相同的模型架構，因此盡管模型是不同的實例，我們仍可以共享權重。

現在重建一個新的，未經訓練的模型，并在測試集上對其進行評估。 未經訓練的模型將以機會級別(?10％的準確性)執行：

fresh_model % evaluate(test_images, test_labels)cat('Test loss:', score$loss, '')cat('Test accuracy:', score$acc, '')

然后從最新的檢查點(第10步)加載權重，然后重新評估：

fresh_model %>% load_model_weights_hdf5( file.path(checkpoint_dir, "weights.10-0.42.hdf5"))score % evaluate(test_images, test_labels)cat('Test loss:', score$loss, '')cat('Test accuracy:', score$acc, '')

為了減少文件數量，您還可以在第n個時間段僅保存一次模型權重。 例如，

checkpoint_dir % fit( train_images, train_labels, epochs = 10, validation_data = list(test_images, test_labels), callbacks = list(cp_callback) # pass callback to training)list.files(checkpoint_dir)

另外，您也可以決定僅保存最佳模型，默認情況下，最佳模型定義為驗證損失。 有關更多信息，請參見callback_model_checkpoint的文檔。

checkpoint_dir % fit( train_images, train_labels, epochs = 10, validation_data = list(test_images, test_labels), callbacks = list(cp_callback) # pass callback to training)

在這種情況下，權重在第6和第7個時期均已保存，但驗證損失沒有改善。

總結

以上是生活随笔為你收集整理的input date保存值_涛哥文集（36）：R keras保存和还原模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。