您可以通过这种方式保存模型并加载。

from keras.models import Sequential
from keras_contrib.losses import import crf_loss
from keras_contrib.metrics import crf_viterbi_accuracy

# To save model
model.save('my_model_01.hdf5')

# To load the model
custom_objects={'CRF': CRF,'crf_loss':crf_loss,'crf_viterbi_accuracy':crf_viterbi_accuracy}

# To load a persisted model that uses the CRF layer 
model1 = load_model("/home/abc/my_model_01.hdf5", custom_objects = custom_objects)

您可以将模型保存为json，并将权重保存为hdf5文件格式。

# keras library import  for Saving and loading model and weights

from keras.models import model_from_json
from keras.models import load_model

# serialize model to JSON
#  the keras model which is trained is defined as 'model' in this example
model_json = model.to_json()


with open("model_num.json", "w") as json_file:
    json_file.write(model_json)

# serialize weights to HDF5
model.save_weights("model_num.h5")

创建包含模型和权重的文件“ model_num.h5”和“ model_num.json”

要使用相同的训练模型进行进一步测试，您只需加载hdf5文件并将其用于预测不同的数据。这是从保存的文件中加载模型的方法。

# load json and create model
json_file = open('model_num.json', 'r')

loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)

# load weights into new model
loaded_model.load_weights("model_num.h5")
print("Loaded model from disk")

loaded_model.save('model_num.hdf5')
loaded_model=load_model('model_num.hdf5')

要预测不同的数据，您可以使用此

loaded_model.predict_classes("your_test_data here")

该模型具有save方法，该方法保存重构模型所需的所有详细信息。来自keras文档的示例：

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')

您可以使用model.save(filepath)将model.save(filepath)模型保存到单个HDF5文件中，该文件包含：

• 模型的架构，从而可以重新创建模型。
• 模型的权重。
• 训练配置（损失，优化器）
• 优化程序的状态，从而可以从您上次中断的地方继续正确地进行训练。

在您的Python代码中，最后一行可能是：

model.save("m.hdf5")

这使您可以将模型的整个状态保存在单个文件中。可以通过keras.models.load_model()重新实例化保存的模型。

load_model()返回的模型是已准备好可以使用的已编译模型（除非保存的模型从未被首先编译过）。

model.save()参数：

• filepath：字符串，要将权重保存到的文件的路径。
• 覆盖：是在目标位置静默覆盖任何现有文件，还是向用户提供手动提示。
• include_optimizer：如果为True，则将优化器的状态保存在一起。