了解并使用Python中的load_model()函数加载保存的模型

在Python中，我们可以使用load_model()函数从磁盘加载保存的模型。该函数属于深度学习库Keras的keras.models模块。通过该函数，我们可以将预先训练好的模型加载到内存中以供后续使用。

下面是一个使用load_model()函数加载模型的例子：

from keras.models import load_model

# 加载保存的模型
model = load_model('path/to/model.h5')

# 使用加载的模型进行预测
predictions = model.predict(input_data)

在上面的例子中，我们首先从keras.models模块中导入load_model()函数。然后，我们利用load_model()函数加载磁盘上保存的模型文件（通常是.h5格式）。需要确保文件路径是正确的，否则加载会失败。

一旦模型被加载到内存中，我们就可以使用它进行预测。在上面的例子中，我们使用加载的模型对input_data进行预测，并将结果保存在predictions变量中。input_data可以是单个样本或一组样本，具体取决于模型的输入形状。

除了加载模型，我们还可以通过load_model()函数加载模型的权重，并使用这些权重来创建一个新的模型。下面是一个例子：

from keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model

# 创建一个新的模型
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

# 加载权重
model.load_weights('path/to/weights.h5')

# 使用新模型进行预测
predictions = model.predict(input_data)

在上面的例子中，我们首先创建了一个新的模型，并添加了一些层。然后，我们使用load_weights()函数加载了之前训练好的模型的权重。需要确保权重文件对应的模型架构与新模型相同，否则加载会失败。

加载模型后，我们可以使用新模型进行预测，方法与前面的例子类似。

总结来说，load_model()函数是在Python中加载保存的模型的一种简单有效的方法。通过该函数，我们可以轻松地将训练好的模型加载到内存中，并在后续的应用中使用它们进行预测。同时，我们也可以通过加载模型的权重来创建一个新的模型，从而避免重新训练模型的过程。