如何使用 Keras 通过 Python 保存和序列化模型?
Tensorflow 是 Google 提供的机器学习框架。它是一个开源框架，与 Python 结合使用，用于实现算法、深度学习应用程序等。它用于研究和生产目的。
可以使用以下代码行在 Windows 上安装 ‘tensorflow’ 包 −
pip install tensorflow
Tensor 是 TensorFlow 中使用的数据结构。它有助于连接流程图中的边缘。此流程图称为‘数据流图’。张量不过是一个多维数组或列表。
可以使用三个主要属性来识别它们 −
排名 −它说明了张量的维数。它可以理解为张量的顺序或已定义的张量中的维数。
类型 − 它说明了与张量的元素相关联的数据类型。它可以是一维、二维或 n 维张量。
形状 − 它是行数和列数的总和。
Keras 是一个深度学习 API，用 Python 编写。它是一个高级 API，具有高效的接口，可帮助解决机器学习问题。它在 Tensorflow 框架之上运行。它旨在帮助快速进行实验。它提供了开发和封装机器学习解决方案所必需的基本抽象和构建块。
它具有高度可扩展性，并具有跨平台能力。这意味着 Keras 可以在 TPU 或 GPU 集群上运行。Keras 模型也可以导出以在 Web 浏览器或手机中运行。
Keras 已存在于 Tensorflow 包中。可以使用下面的代码行访问它。
import tensorflow from tensorflow import keras
与使用顺序 API 创建的模型相比，Keras 函数式 API 有助于创建更灵活的模型。函数式 API 可以处理具有非线性拓扑、可以共享层并处理多个输入和输出的模型。深度学习模型通常是包含多个层的有向无环图 (DAG)。函数式 API 有助于构建层图。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，并且不需要任何配置，并且可以免费访问 GPU(图形处理单元)。 Colaboratory 是在 Jupyter Notebook 上构建的。以下是学习使用 Keras 保存和序列化模型的代码，使用 Python −
示例
print("将模型保存到文件")
model.save("path_to_my_model")
print("删除模型")
del model
print("从保存的模型重新创建模型")
model = keras.models.load_model("path_to_my_model")
代码来源 − https://www.tensorflow.org/guide/keras/ functional
输出
将模型保存到文件") INFO:tensorflow:Assets written to: path_to_my_model/assets 删除模型 从保存的模型重新创建模型
解释
模型保存到文件。
删除此模型，以便可以从文件中保存的模型再次重新创建。
使用‘load_model’方法重新创建。
