这两种节省keras机器学习模型权重的方法有什么区别？

Question

我看到了两种减轻keras模型权重的方法。

第一种方式；

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)

第二种方式

model.save_weights("model_weights.h5")

两种方式有什么区别？加载weights.hdf5和加载之间的预测性能model_weights.h5有何不同？

Answer 1

不，在性能方面没有区别。这只是如何保存模型以及何时保存模型的两种不同方式。model.save_weights每当需要保存模型时（例如在训练或训练的一部分完成之后），使用require都要特别调用此函数。ModelCheckpoint如果您仍在开发模型，则使用起来会更加方便。使用这种方法，keras可以在每个训练时期之后保存模型的检查点，以便您可以还原不同的模型；或者您可以进行设置，save_best_only=True以便keras 仅在性能提高后才覆盖最新的检查点，从而以性能最佳的模型结束。

概括起来：这只是做两种不同事情的两种不同方式。这取决于您的用例和需求，什么才是最好的。

Answer 2

HDF5（.h5、.hdf5）

从根本上解释了这里的参考.wolfram.com/language/ref /format/HDF5.html

HDF是分层数据格式的缩写。HDF5是 HDF 版本 5。

Import["file.h5"] 

导入 HDF5 文件，返回文件中存储的数据集的名称。

在 Keras 文档中；正如您在这里看到的keras.io/api/models/model_ saving_apis/

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

在 Tensorflow 文档中；正如你可以在这里看到的：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')

从根本上讲，它们是同一件事。他们无法创造任何差异。