keras 权重保存和权重载入

最新推荐文章于 2023-06-01 17:30:33 发布

原创最新推荐文章于 2023-06-01 17:30:33 发布 · 1.4w 阅读

24 ·

CC 4.0 BY-SA版权

keras 同时被 2 个专栏收录

7 篇文章

订阅专栏

incremental learning

6 篇文章

订阅专栏

本文介绍如何在深度学习模型中仅加载部分权重，而非全部。通过为层命名并修改不需要加载的层名，可以实现按需加载。适用于需要迁移学习场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

如果需要全部权重载入，直接使用权重载入方式

model.save_weights('./weigths.h5')
model2.load_weights('./weigths.h5')

但是有时候你只需要载入部分权重

所以你可以这样操作

首先，为所有层命名，在层中直接加入方法　name='layer1'

第二，使用，将你不需要载入权重的值更改名字。

最后，载入权重。

x=BatchNormalization(axis=channel_axis,name='layer2')(x)


model2.layers[-1].name='pred'
model2.load_weights('./weigths.h5',by_name=True)

上面的代码是对应的操作，这里我除了最后一层，其他层我都加载了权重，记住，by_name 必须赋值为True 这样才能够按照名称对应赋值权重。

注意：两个模型结构必须一样，不然可能出问题

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

冰菓(笑)

关注关注

2
点赞
踩
24

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Keras中保存和加载权重及模型结构

Microstrong

05-22

1万+

微信公众号 1. 保存和加载模型结构（1）保存为JSON字串 json_string = model.to_json() （2）从JSON字串重构模型 from keras.models import model_from_json model = model_from_json(json_string) （3）保存为YAML字串 yaml_string = model....

Keras如何保存和载入训练好的模型和参数

热门推荐

wslkd0123的博客

06-11

2万+

1，保存模型： my_model = create_model_function( ...... ) my_model.compile( ...... ) my_model.fit( ...... ) model_name . save( filepath, overwrite: bool=True, include_optimizer: bool=True ) filepath：保存...

3 条评论您还未登录，请先登录后发表或查看评论

用自己训练的权重训练其他模型出现的问题ValueError: loaded state dict contains a parameter group that doesn‘t match the s

HHHAOA的博客

06-01

1511

【代码】用自己训练的权重训练其他模型出现的问题。

Keras多GPU训练以及载入权重无效的问题

Marvek的博客

11-15

3454

目录1、数据并行1.1、单GPU或者无GPU训练的代码如下：1.2、数据并行的多GPU 训练2、设备并行本文讲简单的探讨Keras中使用多GPU训练的方法以及需要注意的地方。有两种方法可在多个 GPU 上运行单个模型：数据并行和设备并行（Keras官方建议使用 TensorFlow 后端）。第一部分讲如何使用数据并行的方式使用多GPU加速；第二部分给出一个设备并行的例子。 1、数据并行 1.1、...

Keras基础自学十一（加载权重）

gamblerofdestinyR14的博客

01-30

489

one-hot encoding Y_labels = to_categorical(Y, num_classes=3) # 设定随机种子 seed = 7 np.random.seed(seed) # 构建模型函数 def load_model(optimizer='rmsprop', init='glorot_uniform'): # 构建模型 model = Sequen...

lstm keras 权重理解_数据科学 | 如何用LSTM自编码器进行极端事件预测？(含Python代码)...

weixin_39952182的博客

11-23

476

↑↑↑↑↑点击上方蓝色字关注我们！『运筹OR帷幄』转载作者：Marco Cerliani编者按预测的一大难点在于，对于未来的偶然性和突发性等极端事件的预测。针对这类问题，作者在LSTM模型基础上加入了AutoEncoding层，希望在特征较少的情况下将单一特征扩展到多个维度，以达到更好的预测效果。另外本案例还加入了除历史结果外的其他时间维度特征。让我们一起跟着作者看下改进之后的预测效果。...

keras保存和加载模型以及加载中间层权重

岁月如歌

09-25

6954

最近使用keras过程中碰到常见问题，如何保存keras模型和加载模型https://keras-cn.readthedocs.io/en/latest/for_beginners/FAQ/#gpukeras 如果你需要加载权重到不同的网络结构（有些层一样）中，例如fine-tune或transfer-learning，你可以通过层名字来加载模型： model.load_weights('my_...

keras 权重保存和权重载入方式

09-16

如果需要部分权重载入，可以为每个层指定名称，并通过`by_name=True`参数按名称匹配加载权重： ```python # 为层指定名称 model2.layers[-1].name = 'pred' # 按名称加载权重 model2.load_weights('./weights.h5', ...

yolov3中weights转.h5经验

qq_43207709的博客

02-27

4370

在pycharm中打开终端（pycharm左下角）terminal中执行如下命令将darknet下的yolov3配置文件转换成keras适用的h5文件： python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5 yolov3.weights文件移步这儿，亲测可用：https://download.csdn.net/download...

Keras查看model weights .h5 文件的内容

weixin_33671935的博客

11-18

3609

Keras的模型是用hdf5存储的，如果想要查看模型，keras提供了get_weights的函数可以查看： for layer in model.layers: weights = layer.get_weights() # list of numpy array 而通过hdf5模块也可以读取：hdf5的数据结构主要是File - Group - Dataset三级，具体操作API可以...

deepid人脸识别

08-07

DEEPID训练与测试

resnet50_weights_tf_dim_ordering_tf_kernels.h5

12-17

resnet50_weights_tf_dim_ordering_tf_kernels.h5 速度快，准确率高，参数不多

ssd_weights.h5

03-08

SSD预训练权重文件。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

yolov3_tiny.weights 生成的 tiny_yolo_weights.h5 下载

12-29

由 yolov3_tiny.weights生成的tiny_yolo_weights.h5 ,适用与keras-yolov3 版本

googlenet_weights.h5

04-09

Googe Inception Net首次出现在ILSVRC2014的比赛中(和VGGNet同年)，以较大的优势获得冠军。那一届的GoogleNet通常被称为Inception V1，Inception V1的特点是控制了计算量的参数量的同时，获得了非常好的性能-top5错误率6.67%, 这主要归功于GoogleNet中引入一个新的网络结构Inception模块，所以GoogleNet又被称为Inception V1(后面还有改进版V2、V3、V4)架构中有22层深，V1比VGGNet和AlexNet都深，但是它只有500万的参数量，计算量也只有15亿次浮点运算，在参数量和计算量下降的同时保证了准确率，可以说是非常优秀并且实用的模型。

F23. keras中使用的.h5文件于DarkNet中使用的.weights的转换

qq_41900772的博客

06-29

4540

keras_yolov3：yolov3.weights转换为yolo.h5 https://blog.csdn.net/qq_37644877/article/details/90764588

keras-yolo3-master训练自己的数据集，训练出的权重trained_weights.h5在目标检测时无法框出有效目标

Hui_Wang5806的博客

01-11

2163

算法小白，尝试使用yolov3算法检测自己的数据集，最开始自己制作了数据集(167张图像)用于训练，训练后进行检测时发现，无法有效框出目标物体，输出如下：自认为可能是我自己的数据集图片数量过少，所以截取了VOC数据集中的近1000张图像进行重新训练，依旧如此。随后搜索发现这篇文章也有提到相关问题：https://blog.csdn.net/Asunany/article/details/80376185 看他的评论里有提到两种解决思路：(1)在cfg/yolov3_voc.cfg里把训练模式切换成

从.weights中提取权重数据

DayDreamer_FPGA的博客

02-15

9831

从.weights文件中提取权重数据前言.weights文件将.weights文件转换成.h5转换脚本convert.py其他准备工作转换成.h5从.h5文件提取数据关于.h5文件摸清.h5的子文件夹名字前言我在做有关YOLO的工作，需要从训练好的权重文件中将数据提取出来另作他用，因此记录下提取数据的过程。 .weights文件 .weights文件是Darknet所保存的文件，内含训练出来的...

[Error]pytorch加载模型权重出现问题Unexpected key(s) in state_dict: “module.backbone.0.weight“,

qq_51682716的博客

05-16

2416

[Error]pytorch加载模型权重出现问题Unexpected key(s) in state_dict: “module.backbone.0.weight”, 参考链接：https://zhuanlan.zhihu.com/p/402293541 问题原因：训练好的模型权重，加载进行测试时报错，原因是权重中含有的网络模型的各个layer与block的名称与网络不对应，且前缀加了个module. 原因分析：训练模型中使用到 1 model = ResNet50() 2 model = nn.Dat

keras.net load_model模型载入

最新发布

07-21

<think>我们正在使用Keras.NET，这是一个在.NET平台上使用Keras的库。Keras.NET允许我们使用C#来构建和训练深度学习模型，并且可以加载之前保存的Keras模型（通常是HDF5格式的文件，扩展名为.h5）。根据用户的需求，用户想要在Keras.NET中载入已保存的模型。因此，我们需要提供使用Keras.NET中的`LoadModel`方法的教程。步骤： 1. 首先，确保已经安装了Keras.NET库。可以通过NuGet包管理器安装。 2. 准备一个已经保存的Keras模型文件（.h5文件）。 3. 在C#代码中，使用`Keras.Models.Model`类的`LoadModel`方法来加载模型。注意：Keras.NET的API设计尽量与Python的Keras保持一致，所以使用方式类似。示例代码：假设我们有一个名为"model.h5"的模型文件，位于当前工作目录（或者指定完整路径）。另外，根据引用的资料，我们需要注意几个问题： - 引用[2]中提到，加载模型后参数变成了随机值。这通常是因为模型保存不完整或者加载方式有误。在Keras中，保存模型时应该使用`model.save`保存整个模型（包括结构和权重），这样加载时才能恢复整个模型。如果只保存了权重，则需要先构建相同的模型结构，然后加载权重。 - 引用[3]和[4]提到了加载模型时可能遇到的错误，比如文件路径问题或者文件格式问题。确保文件路径正确，并且文件是完整的Keras模型文件。因此，在Keras.NET中加载模型，我们可以按照以下步骤：步骤1：添加必要的using语句。步骤2：使用`Model.LoadModel`方法加载模型。代码示例： ```csharp using Keras.Models; using System; namespace KerasLoadModelExample { class Program { static void Main(string[] args) { // 加载模型 var model = Model.LoadModel("model.h5"); // 打印模型摘要（类似于Python中的summary()） model.Summary(); // 现在可以使用模型进行预测等操作 // 例如：var result = model.Predict(...); } } } ``` 注意事项： - 确保模型文件"model.h5"位于正确的路径。在.NET中，默认的当前工作目录通常是可执行文件所在的目录（bin/Debug或bin/Release），但也可以使用绝对路径。 - 如果模型在保存时包含了自定义层或自定义函数，那么在加载模型之前需要将这些自定义对象传递给`LoadModel`方法（通过`custom_objects`参数）。在Keras.NET中，也可以通过传递一个字典来实现。例如： ```csharp var customObjects = new Dictionary<string, object> { { "CustomLayer", new CustomLayer() } }; var model = Model.LoadModel("model.h5", customObjects); ``` - 如果加载模型时出现错误，请检查模型文件是否完整，以及是否使用了正确的自定义对象（如果有的话）。如果用户没有自定义层，那么直接使用`Model.LoadModel`即可。另外，引用[1]中提到了使用TensorFlow的`tf.keras.models.load_model`，在Keras.NET中，我们使用的是`Keras.Models.Model.LoadModel`，其作用相同。现在，生成相关问题： 1. 在Keras.NET中如何保存训练好的模型？ 2. 如何解决加载Keras模型时出现的自定义层缺失问题？ 3. 在Keras.NET中，加载模型后如何进行预测？ 4. Keras.NET支持哪些类型的模型文件？</think>### Keras.NET 加载模型教程在 Keras.NET 中加载已保存的模型（通常是 `.h5` 文件），主要使用 `Model.LoadModel` 方法。以下是详细步骤： #### 1️⃣ 基础加载方法 ```csharp using Keras.Models; // 加载模型文件 var model = Model.LoadModel("model.h5"); // 查看模型结构 model.Summary(); ``` - 确保模型文件路径正确（绝对路径更可靠） - 支持标准 Keras 保存的模型格式（包含结构和权重） #### 2️⃣ 处理自定义层如果模型包含自定义层，需通过字典注册： ```csharp var customObjects = new Dictionary<string, object> { { "CustomLayer", new CustomLayer() } // 替换为实际的自定义层类 }; var model = Model.LoadModel("model.h5", customObjects); ``` #### 3️⃣ 常见问题解决方案 | 问题类型 | 解决方案 | |----------|----------| | 文件路径错误 | 使用 `Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "model.h5")` | | 自定义层缺失 | 确保 `customObjects` 字典包含所有自定义层 | | 版本不兼容 | 检查 Keras.NET 与原始训练环境的版本匹配 | | 随机权重问题 | 确认模型保存时使用了 `model.save()` 而非只保存权重[^2] | | 文件解码错误 | 尝试重新保存模型（Python端使用 `save(..., save_format="h5")`）[^4] | #### 4️⃣ 完整使用示例 ```csharp using System; using Keras.Models; using Numpy; class Program { static void Main() { // 加载模型 var model = Model.LoadModel("model.h5"); // 打印模型信息 Console.WriteLine("模型加载成功！"); model.Summary(); // 准备输入数据 (示例: 3个RGB图像) var input = np.array(new float[,,,] { { { { 0.1f, 0.2f, 0.3f }, { 0.4f, 0.5f, 0.6f } } }, { { { 0.7f, 0.8f, 0.9f }, { 1.0f, 1.1f, 1.2f } } }, { { { 1.3f, 1.4f, 1.5f }, { 1.6f, 1.7f, 1.8f } } } }); // 执行预测 var predictions = model.Predict(input); Console.WriteLine($"预测结果: {predictions}"); } } ``` #### 5️⃣ 最佳实践 1. **模型验证**：加载后立即调用 `model.Summary()` 验证结构 2. **输入预处理**：确保输入数据格式与训练时一致 3. **内存管理**：对大型模型使用 `using` 语句： ```csharp using (var model = Model.LoadModel("large_model.h5")) { // 使用模型 } ``` 4. **跨平台注意**：Linux/macOS 中注意文件路径大小写敏感性 > 关键提示：若遇到 `AttributeError: 'str' object has no attribute 'decode'` 错误，通常需要在 Python 端重新保存模型（使用 `save(..., save_format="h5")`）后再加载[^4]。