在Keras中有ModelCheckpoint函数，调用该函数可以将每个epoch后的模型进行保存。详见官方文档。具体的使用方法如下：
from keras.callbacks import ModelCheckpointcheckpoint = ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)参数：
filepath: 保存模型的路径
monitor: 被监测的对象，比如acc, loss, val_acc,...
verbose: 冗余的，如果想加上进度条，就是1，如果不想，就是0
set_best_only = True: 只保存最好的模型
save_weights_only = False: 如果 True，那么只有模型的权重会被保存 model.save_weights(filepath)， 否则的话，整个模型会被保存 model.save(filepath)
mode = 'auto': auto max 和 min，如果使监测acc，就是max，如果是监测loss，就是min，auto就i会从监测值中自己判断
period: 每个检查点之间的间隔（训练轮数）
保存模型有两种形式，一种是将模型整个都保存下来，包括权重和结构；另一种是只保留权重。
可以使用model.save(filepath)将Keras的模型保存到HDF5文件中，该文件将包含：模型结构、模型权重、配置项（优化函数、优化器）和优化状态，允许准确地从上次结束地地方继续训练，详见官方文档。
from keras.model import load_modelmodel.save('my_model.h5')model = load_model('my_model.h5')我们可以使用to_json()和to_yaml()方法将模型结构保存到josn文件或者yaml文件中。
'''方法1：保存为json'''json_string = model.to_json()open('model_architecture_1.json', 'w').write(json_string) #重命名#从json中读出数据from keras.models import model_from_jsonmodel = model_from_json(json_string)'''方法2：保存为yaml'''yaml_string = model.to_yaml()open('model_arthitecture_2.yaml', 'w').write(yaml_string) #重命名#从json中读出数据from keras.models import model_from_yamlmodel = model_from_yaml(yaml_string)通过model.save_weights('my_model_weights.h5')将权重保存在HDF5文件中。如果有可以实例化模型的代码。则可以将保存的权重加载到相同结构的模型中：
model.load_weights('my_model_weights.h5')如果我们想导入训练好的最好的模型来进行预测，最好使用方法一，将最好的模型保存下来然后导入进行预测，如果想接着上一次的模型继续训练，可以两种方法都可以。
from keras.models import load_modelmodel = load_model(filepath)保存模型可能会出错的地方：
filepath不会自己建立文件夹，例如checkpointer = ModelCheckpoint(filepath='tmp\model.h5')，如果同目录下没有tmp文件夹，程序将会出错，模型无法保存。
在进行训练的时候，需要把checkpointer加进去回调函数callbacks中，并用中括号扩起来，即model.fit(x, y, callbacks=[checkpointer])
我们可以通过model.summary()将模型的结构打印出来，另外，我们可以通过plot_model(model, 'model_plot.png')将模型的基本结构框图保存下来。另外你也可以使用keras.utils.vis_utils模块将模型的详细结构框图保存下来。
from keras.utils import plot_modelplot_model(model, to_file='model.png')联系客服
