如何在Python中使用load_model()函数加载保存的神经网络模型

在Python中，可以使用Keras的 load_model() 函数来加载保存的神经网络模型。 load_model() 函数可以从磁盘上加载一个训练好的模型，并返回一个已经编译并准备好进行预测的模型。

下面是一个使用 load_model() 函数加载保存的神经网络模型的示例：

### 安装依赖库

pip install tensorflow
pip install keras

### 1. 导入所需库

from keras.models import load_model

### 2. 加载模型

model = load_model('model.h5')

在上述示例中，我们假设模型已保存为名为 model.h5 的文件。

### 3. 使用模型进行预测

prediction = model.predict(input_data)

在上述示例中，我们使用已加载的模型 model 对输入数据 input_data 进行预测。预测结果存储在 prediction 变量中。

### 完整示例

下面是一个使用 load_model() 函数加载保存的神经网络模型的完整示例：

from keras.models import load_model
import numpy as np

# 1. 导入模型
model = load_model('model.h5')

# 2. 准备输入数据
input_data = np.array([[0.1, 0.2, 0.3]])

# 3. 使用模型进行预测
prediction = model.predict(input_data)

print(prediction)

在这个示例中，我们假设已经在训练数据上训练好了一个模型，并将其保存为 model.h5。然后，我们准备了一个输入数据 input_data，并使用加载的模型进行预测。最后，我们打印出预测结果。

这是一个简单的示例，你可以根据自己的具体情况修改代码。在使用 load_model() 函数加载模型之前，确保已经安装了相应的依赖库，并且模型文件存在于磁盘上。

注意：你需要根据你的模型结构和数据的情况适当地调整代码。