這兩種保存keras機器學習模型權重的方法有什么區別？

Question

我看到了兩種保存 keras 模型權重的方法。

第一種方式；

checkpointer = ModelCheckpoint(filepath="weights.hdf5", verbose=1, save_best_only=True)
model.fit(x_train, y_train,
                    nb_epoch=number_of_epoch,
                    batch_size=128,
                    verbose=1,
                    validation_data=(x_test, y_test),
                    callbacks=[reduce_lr, checkpointer],
                    shuffle=True)

第二種方式；

model.save_weights("model_weights.h5")

這兩種方式有什么區別？ 在裝載之間的預測性能的任何差異weights.hdf5和model_weights.h5 ？

Answer 1

不，在性能方面沒有區別。 這些只是保存模型的方式和時間的兩種不同方式。 使用model.save_weights需要在您想要保存模型時特別調用此函數，例如在完成訓練或部分訓練之后。 如果您仍在開發模型，使用ModelCheckpoint會方便得多。 使用這種方式， keras可以在每個訓練 epoch 后保存您模型的檢查點，以便您可以恢復不同的模型； 或者您可以設置save_best_only=True以便keras只有在性能提高時才會覆蓋最新的檢查點，以便您以性能最佳的模型結束。

總結一下：這只是做兩種不同事情的兩種不同方式。 這取決於您的用例和需求，什么是最好的。

Answer 2

HDF5 (.h5, .hdf5)

正如這里從根本上解釋的那樣reference.wolfram.com/language/ref/format/HDF5.html

HDF是分層數據格式的首字母縮寫詞。 HDF5是 HDF 版本 5。

Import["file.h5"] 

導入一個 HDF5 文件，返回存儲在文件中的數據集的名稱。

在 Keras 文檔中； 正如你在這里看到的keras.io/api/models/model_saving_apis/

model.save('my_model.h5')  # creates a HDF5 file 'my_model.h5'

在 Tensorflow 文檔中； 正如你在這里看到的tensorflow.org/tutorials/keras/save_and_load

# Save the entire model to a HDF5 file.
# The '.h5' extension indicates that the model should be saved to HDF5.
model.save('my_model.h5')

從根本上講，它們是同一回事。 他們不能創造任何差異。