本文将会介绍如何利用Keras来实现模型的保存、读取以及加载。
本文使用的模型为解决IRIS数据集的多分类问题而设计的深度神经网络（DNN）模型，模型的结构示意图如下：
具体的模型参数可以参考文章：Keras入门（一）搭建深度神经网络（DNN）解决多分类问题。
模型保存
Keras使用HDF5文件系统来保存模型。模型保存的方法很容易，只需要使用save()方法即可。
以Keras入门（一）搭建深度神经网络（DNN）解决多分类问题中的DNN模型为例，整个模型的变量为model，我们设置模型共训练10次，在原先的代码中加入Python代码即可保存模型：
# save model print("Saving model to disk \n") mp = "E://logs/iris_model.h5" model.save(mp)保存的模型文件（iris_model.h5）如下：
模型读取
保存后的iris_model.h5以HDF5文件系统的形式储存，在我们使用Python读取h5文件里面的数据之前，我们先用HDF5的可视化工具HDFView来查看里面的数据：
我们感兴趣的是这个模型中的各个神经层之间的连接权重及偏重，也就是上图中的红色部分，model_weights里面包含了各个神经层之间的连接权重及偏重，分别位于dense_1,dense_2,dense_3中。蓝色部分为dense_3/dense_3/kernel:0的数据，即最后输出层的连接权重矩阵。
有了对模型参数的直观认识，我们要做的下一步工作就是读取各个神经层之间的连接权重及偏重。我们使用Python的h5py这个模块来这个iris_model.h5这个文件。关于h5py的快速入门指南，可以参考文章：h5py快速入门指南。
使用以下Python代码可以读取各个神经层之间的连接权重及偏重数据：
import h5py # 模型地址 MODEL_PATH = 'E://logs/iris_model.h5' # 获取每一层的连接权重及偏重 print("读取模型中...") with h5py.File(MODEL_PATH, 'r') as f: dense_1 = f['/model_weights/dense_1/dense_1'] dense_1_bias = dense_1['bias:0'][:] dense_1_kernel = dense_1['kernel:0'][:] dense_2 = f['/model_weights/dense_2/dense_2'] dense_2_bias = dense_2['bias:0'][:] dense_2_kernel = dense_2['kernel:0'][:] dense_3 = f['/model_weights/dense_3/dense_3'] dense_3_bias = dense_3['bias:0'][:] dense_3_kernel = dense_3['kernel:0'][:] print("第一层的连接权重矩阵：\n%s\n"%dense_1_kernel) print("第一层的连接偏重矩阵：\n%s\n"%dense_1_bias) print("第二层的连接权重矩阵：\n%s\n"%dense_2_kernel) print("第二层的连接偏重矩阵：\n%s\n"%dense_2_bias) print("第三层的连接权重矩阵：\n%s\n"%dense_3_kernel) print("第三层的连接偏重矩阵：\n%s\n"%dense_3_bias)输出的结果如下：
读取模型中... 第一层的连接权重矩阵： [[ 0.04141677 0.03080632 -0.02768146 0.14334357 0.06242227] [-0.41209617 -0.77948487 0.5648218 -0.699587 -0.19246106] [ 0.6856315 0.28241938 -0.91930366 -0.07989818 0.47165248] [ 0.8655262 0.72175753 0.36529952 -0.53172135 0.26573092]] 第一层的连接偏重矩阵： [-0.16441862 -0.02462054 -0.14060321 0. -0.14293939] 第二层的连接权重矩阵： [[ 0.39296603 0.01864707 0.12538083 0.07935872 0.27940807 -0.4565802 ] [-0.34312084 0.6446907 -0.92546445 -0.00538039 0.95466876 -0.32819661] [-0.7593299 -0.07227057 0.20751365 0.40547106 0.35726753 0.8884158 ] [-0.48096 0.11294878 -0.29462305 -0.410536 -0.23620337 -0.72703975] [ 0.7666149 -0.41720924 0.29576775 -0.6328017 0.43118536 0.6589351 ]] 第二层的连接偏重矩阵： [-0.1899569 0. -0.09710662 -0.12964155 -0.26443157 0.6050924 ] 第三层的连接权重矩阵： [[-0.44450542 0.09977101 0.12196152] [ 0.14334357 0.18546402 -0.23861367] [-0.7284191 0.7859063 -0.878823 ] [ 0.0876545 0.51531947 0.09671918] [-0.7964963 -0.16435687 0.49531657] [ 0.8645698 0.4439873 0.24599855]] 第三层的连接偏重矩阵： [ 0.39192322 -0.1266532 -0.29631865]值得注意的是，我们得到的这些矩阵的数据类型都是numpy.ndarray。
OK，既然我们已经得到了各个神经层之间的连接权重及偏重的数据，那我们能做什么呢？当然是去做一些有趣的事啦，那就是用我们自己的方法来实现新数据的预测向量(softmax函数作用后的向量)。so, really?
新的输入向量为[6.1, 3.1, 5.1, 1.1]，使用以下Python代码即可输出新数据的预测向量：
import h5py import numpy as np # 模型地址 MODEL_PATH = 'E://logs/iris_model.h5' # 获取每一层的连接权重及偏重 print("读取模型中...") with h5py.File(MODEL_PATH,
