如何使用从Keras训练的LSTM循环神经网络中提取的权重？

嘿，我来帮你搞定LSTM模型权重提取和部署的问题！针对你用Keras训练的时间序列分类模型，有两种实用的方式来保存和复用权重，下面一步步给你讲清楚：

这种方法会把模型结构、权重、训练配置甚至优化器状态都保存下来，部署的时候不需要重新定义模型结构，直接加载就能用，非常适合快速部署。

保存模型 #

训练完成后，直接调用save()方法就行：

# 训练完模型后执行
model.save('lstm_time_series_classifier.h5')

加载并使用模型 #

在部署环境中，先确保安装了keras和h5py（HDF5文件依赖库），然后加载模型：

from keras.models import load_model
import numpy as np

# 加载保存的模型
model = load_model('lstm_time_series_classifier.h5')

# 处理新的时间序列数据（要和训练时的形状一致：(batch_size, timesteps, data_dim)）
# 举个例子，假设新数据是new_data，先reshape
new_data = np.reshape(new_data, (len(new_data), timesteps, data_dim))

# 预测分类结果
predictions = model.predict(new_data)
# 转换为类别索引（因为输出是softmax的概率分布）
predicted_classes = np.argmax(predictions, axis=1)

如果在部署环境中你已经手动定义了和训练时完全一致的模型结构（包括LSTM的单元数、dropout、激活函数，Dense层的单元数等），那可以只保存权重文件，这样文件体积更小。

保存权重 #

训练完成后执行：

model.save_weights('lstm_weights.h5')

加载权重并使用 #

先在部署环境中定义好和训练时一模一样的模型结构：

from keras.models import Sequential
from keras.layers import LSTM, Dense
from keras import optimizers
import numpy as np

# 完全复刻训练时的模型结构
data_dim = 15
timesteps = 20
num_classes = 5

model = Sequential()
model.add(LSTM(101, dropout=0.5, recurrent_dropout=0.5, input_shape=(timesteps, data_dim), activation='tanh'))
model.add(Dense(5, activation='softmax'))

# 加载权重
model.load_weights('lstm_weights.h5')

# 注意：如果只是用来预测，不需要重新compile；如果要继续训练，才需要compile
# model.compile(loss='categorical_crossentropy', optimizer=optimizers.RMSprop(lr=0.001), metrics=['accuracy'])

# 处理新数据并预测
new_data = np.reshape(new_data, (len(new_data), timesteps, data_dim))
predictions = model.predict(new_data)
predicted_classes = np.argmax(predictions, axis=1)

注意事项 #

• 部署环境要确保Keras的版本和训练时尽量一致，避免因版本差异导致加载失败；
• 如果用save()方法保存模型，部署环境必须安装h5py，可以用pip install h5py安装；
• 新数据的预处理方式要和训练时完全一致（比如归一化、标准化等），否则预测结果会不准。

内容的提问来源于stack exchange，提问作者Michele