本文将会介绍如何利用Keras来实现模型的保存、读取以及加载。
本文使用的模型为解决IRIS数据集的多分类问题而设计的深度神经网络（DNN）模型，模型的结构示意图如下：
具体的模型参数可以参考文章：Keras入门（一）搭建深度神经网络（DNN）解决多分类问题。
模型保存
Keras使用HDF5文件系统来保存模型。模型保存的方法很容易，只需要使用save()方法即可。
以Keras入门（一）搭建深度神经网络（DNN）解决多分类问题中的DNN模型为例，整个模型的变量为model，我们设置模型共训练10次，在原先的代码中加入Python代码即可保存模型：
# save model
print("Saving model to disk \n")
mp = "E://logs/iris_model.h5"
model.save(mp)
保存的模型文件（iris_model.h5）如下：
模型读取
保存后的iris_model.h5以HDF5文件系统的形式储存，在我们使用Python读取h5文件里面的数据之前，我们先用HDF5的可视化工具HDFView来查看里面的数据：
我们感兴趣的是这个模型中的各个神经层之间的连接权重及偏重，也就是上图中的红色部分，model_weights里面包含了各个神经层之间的连接权重及偏重，分别位于dense_1,dense_2,dense_3中。蓝色部分为dense_3/dense_3/kernel:0的数据，即最后输出层的连接权重矩阵。
有了对模型参数的直观认识，我们要做的下一步工作就是读取各个神经层之间的连接权重及偏重。我们使用Python的h5py这个模块来这个iris_model.h5这个文件。关于h5py的快速入门指南，可以参考文章：h5py快速入门指南。
使用以下Python代码可以读取各个神经层之间的连接权重及偏重数据：
import h5py
# 模型地址
MODEL_PATH = 'E://logs/iris_model.h5'
# 获取每一层的连接权重及偏重
print("读取模型中...")
with h5py.File(MODEL_PATH, 'r') as f:
dense_1 = f['/model_weights/dense_1/dense_1']
dense_1_bias = dense_1['bias:0'][:]
dense_1_kernel = dense_1['kernel:0'][:]
dense_2 = f['/model_weights/dense_2/dense_2']
dense_2_bias = dense_2['bias:0'][:]
dense_2_kernel = dense_2['kernel:0'][:]
dense_3 = f['/model_weights/dense_3/dense_3']
dense_3_bias = dense_3['bias:0'][:]
dense_3_kernel = dense_3['kernel:0'][:]
print("第一层的连接权重矩阵：\n%s\n"%dense_1_kernel)
print("第一层的连接偏重矩阵：\n%s\n"%dense_1_bias)
print("第二层的连接权重矩阵：\n%s\n"%dense_2_kernel)
print("第二层的连接偏重矩阵：\n%s\n"%dense_2_bias)
print("第三层的连接权重矩阵：\n%s\n"%dense_3_kernel)
print("第三层的连接偏重矩阵：\n%s\n"%dense_3_bias)
输出的结果如下：
读取模型中...
第一层的连接权重矩阵：
[[ 0.04141677 0.03080632 -0.02768146 0.14334357 0.06242227]
[-0.41209617 -0.77948487 0.5648218 -0.699587 -0.19246106]
[ 0.6856315 0.28241938 -0.91930366 -0.07989818 0.47165248]
[ 0.8655262 0.72175753 0.36529952 -0.53172135 0.26573092]]
第一层的连接偏重矩阵：
[-0.16441862 -0.02462054 -0.14060321 0. -0.14293939]
第二层的连接权重矩阵：
[[ 0.39296603 0.01864707 0.12538083 0.07935872 0.27940807 -0.4565802 ]
[-0.34312084 0.6446907 -0.92546445 -0.00538039 0.95466876 -0.32819661]
[-0.7593299 -0.07227057 0.20751365 0.40547106 0.35726753 0.8884158 ]
[-0.48096 0.11294878 -0.29462305 -0.410536 -0.23620337 -0.72703975]
[ 0.7666149 -0.41720924 0.29576775 -0.6328017 0.43118536 0.6589351 ]]
第二层的连接偏重矩阵：
[-0.1899569 0. -0.09710662 -0.12964155 -0.26443157 0.6050924 ]
第三层的连接权重矩阵：
[[-0.44450542 0.09977101 0.12196152]
[ 0.14334357 0.18546402 -0.23861367]
[-0.7284191 0.7859063 -0.878823 ]
[ 0.0876545 0.51531947 0.09671918]
[-0.7964963 -0.16435687 0.49531657]
[ 0.8645698 0.4439873 0.24599855]]
第三层的连接偏重矩阵：
[ 0.39192322 -0.1266532 -0.29631865]
值得注意的是，我们得到的这些矩阵的数据类型都是numpy.ndarray。
OK，既然我们已经得到了各个神经层之间的连接权重及偏重的数据，那我们能做什么呢？当然是去做一些有趣的事啦，那就是用我们自己的方法来实现新数据的预测向量(softmax函数作用后的向量)。so, really?
新的输入向量为[6.1, 3.1, 5.1, 1.1]，使用以下Python代码即可输出新数据的预测向量：
import h5py
import numpy as np
# 模型地址
MODEL_PATH = 'E://logs/iris_model.h5'
# 获取每一层的连接权重及偏重
print("读取模型中...")
with h5py.File(MODEL_PATH, 'r') as f:
dense_1 = f['/model_weights/dense_1/dense_1']
dense_1_bias = dense_1['bias:0'][:]
dense_1_kernel = dense_1['kernel:0'][:]
dense_2 = f['/model_weights/dense_2/dense_2']
dense_2_bias = dense_2['bias:0'][:]
dense_2_kernel = dense_2['kernel:0'][:]
dense_3 = f['/model_weights/dense_3/dense_3']
dense_3_bias = dense_3['bias:0'][:]
dense_3_kernel = dense_3['kernel:0'][:]
# 模拟每个神经层的计算，得到该层的输出
def layer_output(input, kernel, bias):
return np.dot(input, kernel) + bias
# 实现ReLU函数
relu = np.vectorize(lambda x: x if x >=0 else 0)
# 实现softmax函数
def softmax_func(arr):
exp_arr = np.exp(arr)
arr_sum = np.sum(exp_arr)
softmax_arr = exp_arr/arr_sum
return softmax_arr
# 输入向量
unkown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)
# 第一层的输出
print("模型计算中...")
output_1 = layer_output(unkown, dense_1_kernel, dense_1_bias)
output_1 = relu(output_1)
# 第二层的输出
output_2 = layer_output(output_1, dense_2_kernel, dense_2_bias)
output_2 = relu(output_2)
# 第三层的输出
output_3 = layer_output(output_2, dense_3_kernel, dense_3_bias)
output_3 = softmax_func(output_3)
# 最终的输出的softmax值
np.set_printoptions(precision=4)
print("最终的预测值向量为: %s"%output_3)
其输出的结果如下：
读取模型中...
模型计算中...
最终的预测值向量为: [[0.0242 0.6763 0.2995]]
额，这个输出的预测值向量会是我们的DNN模型的预测值向量吗？这时候，我们就需要回过头来看看Keras入门（一）搭建深度神经网络（DNN）解决多分类问题中的代码了，注意，为了保证数值的可比较性，笔者已经将DNN模型的训练次数改为10次了。让我们来看看原来代码的输出结果吧：
Using model to predict species for features:
[[6.1 3.1 5.1 1.1]]
Predicted softmax vector is:
[[0.0242 0.6763 0.2995]]
Predicted species is:
Iris-versicolor
Yes,两者的预测值向量完全一致！因此，我们用自己的方法也实现了这个DNN模型的预测功能，棒！
模型加载
当然，在实际的使用中，我们不需要再用自己的方法来实现模型的预测功能，只需使用Keras给我们提供好的模型导入功能（keras.models.load_model()）即可。使用以下Python代码即可加载模型
# 模型的加载及使用
from keras.models import load_model
print("Using loaded model to predict...")
load_model = load_model("E://logs/iris_model.h5")
np.set_printoptions(precision=4)
unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)
predicted = load_model.predict(unknown)
print("Using model to predict species for features: ")
print(unknown)
print("\nPredicted softmax vector is: ")
print(predicted)
species_dict = {v: k for k, v in Class_dict.items()}
print("\nPredicted species is: ")
print(species_dict[np.argmax(predicted)])
输出结果如下：
Using loaded model to predict...
Using model to predict species for features:
[[6.1 3.1 5.1 1.1]]
Predicted softmax vector is:
[[0.0242 0.6763 0.2995]]
Predicted species is:
Iris-versicolor
总结
本文主要介绍如何利用Keras来实现模型的保存、读取以及加载。
本文将不再给出完整的Python代码，如需完整的代码，请参考Github地址：https://github.com/percent4/Keras_4_multiclass.
注意：本人现已开通微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注哦~~
