CNN模型保存加载疑问：Model.checkpoint与model.save选择及evolution保存问题

一、ModelCheckpoint 和 model.save() 的核心差异 #

• ModelCheckpoint 是训练阶段的回调工具，作用是在训练过程中定期保存权重或完整模型，主要用于防止训练中断丢失进度，或是保存验证集性能最优的模型版本。它不能主动触发，必须配合fit()方法在训练的指定环节自动执行。
• model.save() 是主动调用的方法，适合在训练完成后（或任意需要的时机）一次性保存完整模型，包含模型架构、权重、优化器状态、损失函数等核心组件，是用于后续预测部署的常规选择。

二、关于model.evolution的保存问题 #

如果model.evolution是你自定义的模型属性（比如记录训练过程的日志、参数变化轨迹等），默认情况下：

• model.save() 和 ModelCheckpoint 都只会保存Keras模型的标准内置组件，不会自动保存自定义属性。
• 解决方法：需要将model.evolution单独序列化保存（比如用pickle写入文件），加载模型后再将序列化内容重新赋值给加载后的模型实例。

三、针对你的预测场景的选择建议 #

你的需求是保存后在不同环境加载用于预测，优先推荐model.save()：

• 操作直接：训练完成后调用一次model.save("your_cnn_model.h5")（或SavedModel格式），即可保存完整的可预测模型。
• 加载简便：用keras.models.load_model("your_cnn_model.h5")直接加载，加载后的模型可直接调用predict()，无需额外配置。
• 如果需要保留训练过程中的中间状态（比如后续要继续训练），可以同时用ModelCheckpoint保存权重，但仅用于预测的最终模型，model.save()完全足够。

四、实用代码示例 #

保存完整模型（含自定义属性处理） #

import pickle
from tensorflow import keras

# 假设已完成CNN模型训练
model = ... # 你的CNN模型实例
model.evolution = {"train_loss": [...], "val_acc": [...]} # 自定义属性

# 保存完整模型
model.save("cnn_predict_model.h5")

# 单独保存自定义的evolution属性
with open("model_evolution.pkl", "wb") as f:
    pickle.dump(model.evolution, f)

加载模型并恢复自定义属性 #

from tensorflow import keras
import pickle

# 加载模型
loaded_model = keras.models.load_model("cnn_predict_model.h5")

# 加载并恢复evolution属性
with open("model_evolution.pkl", "rb") as f:
    loaded_model.evolution = pickle.load(f)

# 执行预测
predictions = loaded_model.predict(test_data)

内容的提问来源于stack exchange，提问作者Gülsüm