Keras加载H5文件load_weights与load操作详解

在Keras中，处理H5文件以加载模型权重是非常常见的任务，特别是在迁移学习或模型复用时。本文主要介绍了如何使用`keras.models.load_model()`和`keras.models.load_weights()`这两个关键函数来实现这一操作。 首先，`keras.models.load_model()`函数允许我们加载整个预训练模型，包括网络结构和权重。这个函数适用于想要完整地复用模型的情况，它会自动寻找与H5文件中键相对应的层。在调用`model = keras.models.load_model(filepath)`时，如果H5文件中的层名称与Keras模型中的层名称相匹配，权重就能正确加载到对应的层中。 而`keras.models.load_weights()`函数则更加灵活，它专门用于加载模型的权重数据，而不包括网络结构。当只需要重用模型的预训练部分，或者想在一个已经定义好的网络上应用特定的权重时，这个函数非常有用。它的调用方式是`model.load_weights(filepath, by_name=False, skip_mismatch=False, reshape=False)`。其中： - `filepath`参数是H5文件的路径。 - `by_name`参数决定了是否按层名称查找权重。如果设置为`True`，则只有名字匹配的层才会加载权重；如果设置为`False`（默认），则尝试按顺序加载所有权重。 - `skip_mismatch`参数用于处理名称不匹配的情况，如果设为`True`，则忽略找不到的权重，避免错误。 - `reshape`参数用于在形状不匹配的情况下尝试重塑权重，通常不建议更改此默认值。 以ResNet50模型加载H5权重为例，首先导入所需的库，然后创建一个未加载权重的ResNet50实例。接着，使用`model.load_weights()`方法加载预训练的权重文件，确保文件名与模型文件中的层名称一致。通过`model.summary()`可以查看加载后的模型结构。 总结来说，Keras提供两种方式处理H5文件：全模型加载和权重加载。理解并掌握这两个函数的用法，能帮助我们在实际项目中高效地利用预训练模型，并根据需要进行微调或组合不同的模型结构。