序列化 Keras 模型 - Python

在使用 Keras 进行深度学习时，我们经常需要将训练好的模型进行序列化，即将模型保存到磁盘上。这样做有多种好处，例如在将模型部署到生产环境时能够很方便地导入模型，也能够使得我们在需要时重新恢复模型，而无需重新训练。

1. 序列化模型

在 Keras 中，我们可以直接使用 model.save() 方法将模型序列化到磁盘上。下面是一个例子：

from keras.models import Sequential
from keras.layers.core import Dense

# 创建一个简单的多层感知器模型
model = Sequential()
model.add(Dense(64, input_dim=784))
model.add(Dense(10, activation='softmax'))

# 训练模型
model.compile(loss='categorical_crossentropy', optimizer='sgd')
model.fit(X_train, y_train, epochs=10)

# 将模型序列化到磁盘上
model.save('model.h5')

在上面的例子中，我们创建了一个简单的多层感知器模型，并将其保存到 model.h5 文件中。

2. 恢复模型

我们可以使用 load_model() 方法来恢复保存的模型。下面是一个例子：

from keras.models import load_model

# 加载保存的模型
model = load_model('model.h5')

# 对新数据进行预测
predictions = model.predict(X_test)

在上面的例子中，我们使用 load_model() 方法加载了保存的模型，并对新数据进行了预测。

3. 自定义序列化

有时候，我们可能需要对模型进行自定义的序列化和反序列化操作。对于这种情况，我们可以使用 Keras 中的模型配置和权重来实现。

3.1 序列化

我们可以使用 model.get_config() 方法来获取模型的配置信息：

from keras.models import Sequential
from keras.layers.core import Dense
import json

# 创建一个简单的多层感知器模型
model = Sequential()
model.add(Dense(64, input_dim=784))
model.add(Dense(10, activation='softmax'))

# 获取模型配置信息
config = model.get_config()

# 将配置信息保存为 JSON 格式
config_json = json.dumps(config)
with open('config.json', 'w') as f:
    f.write(config_json)

# 保存模型权重
model.save_weights('weights.h5')

在上面的例子中，我们使用 get_config() 方法获取了模型的配置信息，并将其保存为 JSON 格式的文件。同时，我们也使用了 save_weights() 方法将模型的权重保存到磁盘上。

3.2 反序列化

根据模型配置和权重信息，我们可以重建出模型：

from keras.models import Sequential
from keras.layers.core import Dense
import json

# 加载模型配置信息
with open('config.json', 'r') as f:
    config_json = f.read()
config = json.loads(config_json)

# 重建模型
model = Sequential.from_config(config)

# 加载模型权重
model.load_weights('weights.h5')

# 对新数据进行预测
predictions = model.predict(X_test)

在上面的例子中，我们首先从保存的模型配置文件中加载了模型的配置信息，然后使用 Sequential.from_config() 方法重建了模型。接着，我们使用 load_weights() 方法加载了模型的权重，并对新数据进行了预测。

4. 总结

Keras 提供了简单易用的 API 来序列化和反序列化模型，同时也支持我们自定义序列化和反序列化操作。当我们需要持久化模型时，可以根据实际情况选择使用 API 进行序列化和反序列化，或者使用模型配置和权重进行自定义序列化和反序列化。