轉自：http://blog.csdn.net/u010159842/article/details/54407745，感謝分享~

你可以使用model.save(filepath)將Keras模型和權重保存在一個HDF5文件中，該文件將包含：

• 模型的結構，以便重構該模型
• 模型的權重
• 訓練配置（損失函數，優化器等）
• 優化器的狀態，以便於從上次訓練中斷的地方開始

使用keras.models.load_model(filepath)來重新實例化你的模型，如果文件中存儲了訓練配置的話，該函數還會同時完成模型的編譯

例子：

from keras.models import load_model

model.save(‘my_model.h5‘)  # creates a HDF5 file ‘my_model.h5‘
del model  # deletes the existing model

# returns a compiled model
# identical to the previous one
model = load_model(‘my_model.h5‘)
 

如果你只是希望保存模型的結構，而不包含其權重或配置信息，可以使用：

# save as JSON
json_string = model.to_json()

# save as YAML
yaml_string = model.to_yaml()

這項操作將把模型序列化為json或yaml文件，這些文件對人而言也是友好的，如果需要的話你甚至可以手動打開這些文件並進行編輯。

當然，你也可以從保存好的json文件或yaml文件中載入模型：

# model reconstruction from JSON:
from keras.models import model_from_json
model = model_from_json(json_string)

# model reconstruction from YAML
model = model_from_yaml(yaml_string)
 

如果需要保存模型的權重，可通過下面的代碼利用HDF5進行保存。註意，在使用前需要確保你已安裝了HDF5和其Python庫h5py

model.save_weights(‘my_model_weights.h5‘)

如果你需要在代碼中初始化一個完全相同的模型，請使用：

model.load_weights(‘my_model_weights.h5‘)

如果你需要加載權重到不同的網絡結構（有些層一樣）中，例如fine-tune或transfer-learning，你可以通過層名字來加載模型：

model.load_weights(‘my_model_weights.h5‘, by_name=True)
 

例如：

"""
假如原模型為：
    model = Sequential()
    model.add(Dense(2, input_dim=3, name="dense_1"))
    model.add(Dense(3, name="dense_2"))
    ...
    model.save_weights(fname)
"""
# new model
model = Sequential()
model.add(Dense(2, input_dim=3, name="dense_1"))  # will be loaded
model.add(Dense(10, name="new_dense"))  # will not be loaded

# load weights from first model; will only affect the first layer, dense_1.
model.load_weights(fname, by_name=True)

保存及讀取keras模型參數