模型的保存与下载

最新推荐文章于 2025-05-05 15:25:34 发布

全自动学习机器

最新推荐文章于 2025-05-05 15:25:34 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

分类专栏：学习杂记文章标签：深度学习 keras 人工智能

本文链接：https://blog.csdn.net/weixin_52205096/article/details/123079301

学习杂记专栏收录该内容

10 篇文章

订阅专栏

我们需要在模型训练完成后将模型保存到文件系统上，以便于我们后续的测试与部署。在训练大规模的网络时，为了减少在训练过程中被中断/宕机意外的损失，间歇性保存模型状态是个好习惯。

1.张量方式

model.save_weights('weights.ckpt')

这种保存与加载网络的方式最为轻量级，文件中仅保存参数张量的数值，并没有额外的结构参数。但它需要使用相同的网络结构才能够恢复网络状态，因此一般在拥有网络源文件的情况下使用

2.网络方式

通过Model.save(path)函数可以将模型的结构以及模型的参数保存到一个path文件上，在不需要网络源文件的条件下，通过keras.models.load_model(path)即可恢复网络结构和网络参数

model.save('model.h5')

此时通过model.h5文件即可恢复出网络的结构和状态：

net = tf.keras.models.load_model('model.h5')
net.summary()

model.h5同时保存了模型参数和网络结构信息，不需要提前创建模型即可直接从文件恢复出网络net对象

在学习别人的代码时，看到了如下代码

model_name = 'xxx'
backbone_name = 'xxx'
CKPT_PATH = "xxx"
t= time.strftime("%Y%m%d-%H%M%S", time.localtime())

model.save_weights(CKPT_PATH+'{}_{}_{}_model.h5'.format(t,model_name,backbone_name))

感觉这样很方便参加竞赛时看各个版本的模型

参考资料：天池学习

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

全自动学习机器

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

详解python文件的读取与模型保存

weixin_43178406的博客

07-10

1万+

本文主要介绍了python文件的读取与模型保存，希望能对新手有所帮助。文章目录 1. 文件的打开、读、写等 1.1 文件打开(open) 1.2 open_mode 1.3 file对象 1.4 打开文件的几种常见方式（代码） 2. 数据、文件的保存 2.1 pickle保存数据 2.2 pickle保存模型 2.3 sklearn.externals import joblib保存模型

Keras 保存model到指定文件夹和加载load_model指定文件夹中的文件（踩坑）

颠沛的小丸子

01-07

1万+

我们一般保存模型和加载模型都是通过下面这段代码： from keras.models import load_model model.save('model.h5') from keras.models import load_model model = load_model('model.h5') 而此时保存的路径都是模型训练的路径，当我们在写项目的过程中，需要...

参与评论您还未登录，请先登录后发表或查看评论

model.h5 model.json

06-21

人脸表情识别模型（keras的模型加载，先将json类型重构为model结构）

ResNet-50-model.keras.h5模型文件下载

weixin_43728225的博客

05-28

3964

md，csdn真他妈坑，天天到处要积分链接：https://pan.baidu.com/s/1vB_VDEdKYUKlWvlYuwYoWg 提取码：8w0u

深入理解 TensorFlow 的模型保存与加载机制（SavedModel vs H5）

最新发布

2501_91537435的博客

05-05

942

将keras的model.save()保存下来的 .model （.h5) 模型转换为tensorflow的pb模型

火星辉

02-18

1万+

reference：https://www.jianshu.com/p/45e575555896 背景：目前keras框架使用简单，很容易上手，深得广大算法工程师的喜爱，但是当部署到客户端时，可能会出现各种各样的bug，甚至不支持使用keras，本文来解决的是将keras的h5模型转换为客户端常用的tensorflow的pb模型并使用tensorflow加载pb模型。 h5_to_pb.py...

my_model.h5

01-22

Python基于TensorFlow 卷积神经网络设计手写数字识别算法，并编程实现GUI 界面，构建手写数字识别系统。本系统界面设计友好，功能完善。通过测试，本识别系统对于较规范的手写体数字的识别达到了很好的识别效果。此资源为本设计所训练的model，可直接使用。

tensorflow执行model.save将模型保存为.h5时TypeError: a bytes-like object is required, not ‘str‘报错解决方案

m0_50147264的博客

06-17

1192

tensorflow执行model.save将模型保存为.h5时TypeError: a bytes-like object is required, not 'str'报错解决方案

SVR_SVR模型保存_svr预测_SVR_SVR回归预测_wordsrt_

09-29

"SVR_SVR模型保存_svr预测_SVR_SVR回归预测_wordsrt_"这一标题暗示了我们将探讨如何构建、训练、保存以及应用SVR模型进行预测。首先，让我们了解SVR的基本概念。SVR的核心思想是找到一个超平面，使得该超平面与...

浅谈pytorch 模型 .pt, .pth, .pkl的区别及模型保存方式

09-16

### PyTorch模型保存方式详解 #### 一、引言在深度学习领域，PyTorch作为一款流行的开源机器学习框架，提供了灵活且强大的API，让开发者能够轻松地构建和训练复杂的神经网络模型。在实际应用中，模型的保存与加载...

Tensorflow模型保存与预测

冬泉谷

02-04

7348

tensorflow 模型保存为savedModel形式，包括Estimator和Keras形式训练和导出得到，用于后续测试和模型部署

myModel_Third.h5

05-08

这是我自己通过Keras框架训练好的模型，用于对fer2013数据集进行预测，输入为（48，48，3），可以使用Keras框架导入并直接用于预测而无需训练，不会用就不要下载

ML之模型文件：机器学习、深度学习中常见的模型文件(.h5、.keras)简介、h5模型文件下载集锦、使用方法之详细攻略

07-29

2万+

ML之模型文件：机器学习、深度学习中常见的模型文件(.h5、.keras)简介、h5模型文件下载集锦、使用方法之详细攻略目录 ML/DL中常见的模型文件(.h5、.keras)简介及其使用方法一、.h5文件 1、常见的h5文件下载二、.keras文件 1、模型的保存和载入 ML/DL中常见的模型文件(.h5、.keras)简...

Keras模型的保存与调用

qq_18246731的博客

04-20

5889

一、模型的保存（结构 + 权重 + 优化器状态） 1、model.save('model.h5')#保存名为model的h5文件到程序所在目录你可以使用 model.save(filepath) 将 Keras 模型保存到单个 HDF5 文件中，该文件将包含：模型的结构，允许重新创建模型模型的权重训练配置项（损失函数，优化器）优化器状态，允许准确地从你上次结束的地方继续训练。...

keras中h5模型保存和恢复方法 DenseNetX的完整例程

u010879745的博客

08-12

3364

https://blog.csdn.net/mcyJacky/article/details/88706164 模型保存 model.save(‘model.h5’) # HDF5文件，pip install h5py h5模型恢复和继续训练下面可以可以通过load_model()方法，对保存的模型进行恢复或者可以对模型进行继续训练。具体如下： import numpy as np from keras.datasets import mnist from keras.utils import np_ut

ML模型.h5入门

牛肉胡辣汤

10-19

1100

在机器学习中，我们常常需要将训练好的模型保存下来以便后续使用。一个常见的模型保存格式是.h5文件，这是一种基于HDF5（Hierarchical Data Format）的文件格式。它可以轻松保存模型的架构、权重和优化器状态，并且可以在需要时重新加载使用。本文将介绍如何使用Python中的Keras库，将训练好的机器学习模型保存为.h5文件，并演示如何重新加载模型进行预测。

深度学习网络模型的保存与加载

chumingqian的博客

05-10

6919

pytorch 保存与加载模型参数的最主要的三个函数 torch.save: 将序列化的对象存储到硬盘中.此函数使用Python的pickle实用程序进行序列化. 对于数据类型都可以进行序列化存储, 模型, 张量, 以及字典, 等各种数据对象都可以使用该函数存储. torch.load: 该函数使用的是 pickle 的阶序列化过程, 并将结果存如内存中, 该函数也促进设备加载数据. torch.nn.Module.load_state_dict: 使用反序列化的 state_dict 加载模型

python3 29.keras中h5模型保存和恢复方法学习笔记

112

03-21

1万+

文章目录前言一、h5模型保存二、h5模型恢复和继续训练三、h5模型保存和载入参数四、h5模型保存和载入网络结构前言计算机视觉系列之学习笔记主要是本人进行学习人工智能（计算机视觉方向）的代码整理。本系列所有代码是用python3编写，在平台Anaconda中运行实现，在使用代码时，默认你已经安装相关的python库，这方面不做多余的说明。本系列所...

轻松学会huggingface模型下载与保存

01-08

### 学习如何下载和保存Hugging Face模型 #### 使用Transformers库加载预训练模型为了能够顺利地从Hugging Face平台下载并保存模型，首先需要安装`transformers`库以及`torch`或`tensorflow`作为后端支持。可以通过pip命令轻松完成这些依赖项的安装。 ```bash pip install transformers torch ``` 一旦环境准备就绪，就可以通过Python脚本利用简单的几行代码来获取所需的模型[^1]： ```python from transformers import AutoModel, AutoTokenizer model_name = "bert-base-uncased" # 加载预训练模型及其对应的分词器 model = AutoModel.from_pretrained(model_name) tokenizer = AutoTokenizer.from_pretrained(model_name) print(f"成功加载 {model_name} 模型") ``` 这段代码展示了怎样指定想要使用的特定版本的大规模语言模型（在这个例子中是BERT），并通过官方API接口自动拉取相应的权重文件至本地缓存目录内[^2]。 #### 将模型保存到磁盘当已经获得了感兴趣的模型实例之后，下一步便是考虑将其持久化存储下来以便后续重复使用而无需再次联网请求。这不仅提高了效率也减少了对外部资源的依赖程度。以下是实现这一目标的具体方法[^3]： ```python save_directory = "./saved_models/bert_base_uncased/" # 保存整个模型结构连同参数一起序列化成文件形式 model.save_pretrained(save_directory) tokenizer.save_pretrained(save_directory) print(f"{model_name} 已经被保存到了 '{save_directory}' 文件夹下") ``` 上述操作将会把所选中的模型架构定义及内部状态都完整记录在一个新的子文件夹里；与此同时还会一并将配套的文字处理工具一同打包进去，确保将来读入时能保持一致性和兼容性[^4]。