使用Keras加载H5模型权重：load_model与load_weights实战

本文主要介绍了在Keras中如何使用`load_model`和`load_weights`函数来加载H5格式的模型和权重。这两个函数是Keras中用于模型持久化的重要工具，可以方便地保存和恢复训练好的模型状态。 在Keras中，保存模型通常会生成一个`.h5`文件，这个文件包含了模型的结构和权重信息。当需要重新加载模型或者只加载权重时，可以使用以下两个函数： 1. `keras.models.load_model()`：这个函数可以完整地加载模型的结构和权重。如果你有一个完整的模型，并且希望恢复到保存时的状态，包括优化器的状态（如果保存了的话），那么应该使用这个函数。它可以从`.h5`文件中读取所有必要的信息，使模型恢复到训练中断时的状态。 2. `keras.models.load_weights()`：这个函数仅加载模型的权重，不包含模型的结构。使用这个函数时，你需要事先构建好模型的结构，然后通过`load_weights`将权重数据写入到模型的各个层中。这对于只需要更新模型权重而不需要重建整个模型的情况非常有用。 下面是一个使用ResNet50模型加载H5权重的示例： ```python import keras from keras.preprocessing import image import numpy as np from network.resnet50 import ResNet50 # 创建ResNet50模型实例 model = ResNet50() # 加载权重，参数默认by_name=False # 如果层名匹配，则自动加载权重，否则需要指定by_name=True进行匹配 model.load_weights(r'\models\resnet50_weights_tf_dim_ordering_tf_kernels_v2.h5') # 输出模型结构信息 model.summary() ``` 在`load_weights`函数的实现中，它会打开H5文件并检查其中的`layer_names`或`model_weights`组，然后根据`by_name`参数决定是按照层名加载权重还是直接加载。如果`skip_mismatch`设置为True，遇到层名或形状不匹配的权重时会跳过，而不是抛出异常。`reshape`参数则允许在加载权重时尝试进行形状匹配，如果权重的形状与模型的层不完全相同。 总结来说，`load_model`和`load_weights`是Keras中模型持久化的关键方法，它们使得模型的保存和恢复变得简单易行。`load_model`适合完整恢复模型，包括结构和权重；而`load_weights`则适用于已有模型结构，只需加载权重的情况。了解和熟练掌握这两个函数，对于训练过程的中断恢复、模型部署以及模型调优等环节都至关重要。