浅谈keras保存模型中的save()和save_weights()区别

在Keras库中，模型的保存与加载是深度学习实践中非常关键的一环。本文将深入探讨Keras中`save()`和`save_weights()`两个函数之间的差异，并通过一个使用MNIST数据集的简单示例来说明它们的不同效果。 `save()`函数用于保存整个模型，包括模型的结构、优化器的状态、损失函数以及编译时设置的任何指标。当调用`save('m1.h5')`时，保存的文件`m1.h5`不仅包含了模型的权重，还记录了模型构建时的所有信息。因此，即使是在不同的计算环境中，只要安装了相同的Keras版本和依赖，加载这个文件（`load_model('m1.h5')`）就可以完全复现模型，可以直接进行预测或继续训练。 另一方面，`save_weights()`函数仅保存模型的权重，不包含模型结构或其他配置信息。如`save_weights('m3.h5')`所示，生成的`m3.h5`文件体积较小，因为它仅仅存储了权重值。当尝试使用`load_model('m3.h5')`加载时，由于缺少模型结构信息，会报错。如果要加载`m3.h5`中的权重，需要先重新构建与原始模型结构相同的模型，然后使用`model.load_weights('m3.h5')`来恢复权重。 在MNIST数据集实验中，`m1.h5`是未训练模型的保存，它包含了模型结构但没有训练后的权重，因此其大小小于训练后的`m2.h5`。`m2.h5`文件包含了模型结构和训练后的权重，使得它能完全复现训练状态。而`m3.h5`仅包含训练后的权重，不能独立存在，需要配合模型结构才能使用。 总结来说，`save()`适用于完整保存模型，方便在不同环境或时间点恢复整个模型，而`save_weights()`适用于仅保存和恢复权重，通常用于模型训练的检查点或者在多GPU训练中同步权重。在实际应用中，选择哪种保存方式取决于需求：如果需要在新环境下直接使用模型，应使用`save()`；如果只是想保存训练进度以便继续训练或评估，`save_weights()`则更为合适。同时，理解这两个函数的差异对于模型管理和持续训练过程至关重要。