如何使用Python保存和序列化Keras模型？

TensorFlow是由Google提供的机器学习框架。它是一个开源框架，与Python一起用于实现算法、深度学习应用等等。它被用于研究和生产目的。

可以使用以下代码在Windows上安装‘tensorflow’包：

pip install tensorflow

张量是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。这个流程图称为‘数据流图’。张量只是一个多维数组或列表。

它们可以使用三个主要属性进行识别−

• 级别 − 它告诉张量的维数。它可以被理解为在张量中定义的维数的顺序或维数的数量。

• 类型 − 它告诉与Tensor元素相关联的数据类型。它可以是一维、二维或n维张量。

• 形状 − 它是行和列的数量。

Keras是一个用Python编写的深度学习API。它是一个高级API，具有有助于解决机器学习问题的生产界面。它在Tensorflow框架的顶部运行。它被构建来帮助快速实验。它提供了必要的抽象和构建块，这些构建块在开发和封装机器学习解决方案方面至关重要。

它是高度可扩展的，并具有跨平台能力。这意味着Keras可以在TPU或GPU集群上运行。 Keras模型也可以导出以在Web浏览器或移动电话上运行。

Keras已经在Tensorflow包中。可以使用以下代码访问它。

import tensorflow
from tensorflow import keras

Keras功能API有助于创建与使用顺序API创建的模型相比更加灵活的模型。 功能API可以与具有非线性拓扑的模型一起工作，可以共享层，并且可以使用多个输入和输出。深度学习模型通常是包含多个层的有向无环图(DAG)。功能API有助于构建层的图形。

我们正在使用Google Colaboratory运行以下代码。Google Colab或Colaboratory可在浏览器上运行Python代码，不需要进行任何配置，并可免费访问GPU(图形处理器)。 Colaboratory是在Jupyter Notebook的基础上构建的。以下是了解如何使用Python保存和序列化Keras模型的代码−

更多Python相关文章，请阅读：Python 教程

例

print("将模型保存到文件中")
model.save("path_to_my_model")
print("删除模型")
del model
print("从保存的模型重新创建模型")
model = keras.models.load_model（"path_to_my_model"）

代码来源− https://www.tensorflow.org/guide/keras/functional

输出

将模型保存到文件中
INFO:tensorflow:Assets written to: path_to_my_model/assets
删除模型
从保存的模型重新创建模型

说明

• 将模型保存到一个文件中。

• 删除模型，以便可以从文件中的保存的模型重新创建它。

• 使用‘load_model’方法重新创建模型。