def build_model(max_features, maxlen): """Build LSTM model""" model = Sequential() model.add(Embedding(max_features, 128, input_length=maxlen)) model.add(LSTM(128)) model.add(Dropout(0.5)) model.add(Dense(1)) model.add(Activation('sigmoid')) # model.add(tf.keras.layers.BatchNormalization()) model.compile(loss='binary_crossentropy', optimizer='rmsprop') return model怎么用load_weights保存和加载

要和加载这个模型的权重，可以使用Keras提供的“save_weights”和“load_weights”方法。

保存模型权重的方法如下：

model.save_weights('model_weights.h5')

这将把模型的权重保存到名为“model_weights.h5”的文件中。

加载模型权重的方法如下：

model.load_weights('model_weights.h5')

这将从名为“model_weights.h5”的文件中加载模型的权重。需要注意的是，加载权重的时候，模型的结构和参数必须与保存权重的模型结构和参数保持一致。

以下是一个完整的示例代码，展示了如何保存和加载这个模型的权重：

max_features = 10000
maxlen = 100

# Build model
model = build_model(max_features, maxlen)

# Train model
model.fit(x_train, y_train, batch_size=32, epochs=10, validation_data=(x_test, y_test))

# Save model weights
model.save_weights('model_weights.h5')

# Load model weights
model.load_weights('model_weights.h5')

在这个示例中，我们首先使用“build_model”函数构建了一个模型，在训练完模型之后，我们使用“model.save_weights”方法将模型的权重保存到“model_weights.h5”文件中。然后，我们使用“model.load_weights”方法从“model_weights.h5”文件中加载模型的权重。