训练Keras深度神经网络时，如何保存与加载keras.callbacks.History对象？

没问题，要保存keras.callbacks.History类型的对象并在另一个Python会话中复用，最常用的是序列化工具（比如pickle或joblib），因为History对象的核心数据（训练/验证的loss、准确率等）都存在它的history属性里，这是一个可序列化的字典，完全满足后续分析需求。

下面是两种实用方法：

方法1：使用pickle（Python标准库） #

保存History数据 #

训练完成后，直接把history属性序列化保存到文件：

import pickle

# 训练模型得到history对象
history_model_1 = model_1.fit_generator(train_generator, steps_per_epoch=100, epochs=20, validation_data=validation_generator, validation_steps=50)

# 保存history字典到文件
with open('history_model_1.pkl', 'wb') as file:
    pickle.dump(history_model_1.history, file)

加载并使用 #

在新的Python会话中，加载文件并恢复数据：

import pickle
import matplotlib.pyplot as plt

# 加载保存的history数据
with open('history_model_1.pkl', 'rb') as file:
    loaded_history = pickle.load(file)

# 示例：绘制训练/验证准确率曲线
plt.plot(loaded_history['accuracy'], label='Training Accuracy')
plt.plot(loaded_history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.title('Model Accuracy Over Epochs')
plt.legend()
plt.show()

方法2：使用joblib（适合大数据量） #

如果你的训练指标包含大量numpy数组，joblib比pickle更高效，它是scikit-learn附带的工具：

保存History数据 #

import joblib

# 训练后保存
joblib.dump(history_model_1.history, 'history_model_1.joblib')

加载并使用 #

import joblib
import matplotlib.pyplot as plt

loaded_history = joblib.load('history_model_1.joblib')

# 同样可以用来绘图或分析指标
plt.plot(loaded_history['loss'], label='Training Loss')
plt.plot(loaded_history['val_loss'], label='Validation Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Model Loss Over Epochs')
plt.legend()
plt.show()

注意事项 #

• 优先保存history_model_1.history（字典）而非整个History对象：History对象本身可能包含一些和当前训练会话绑定的内部状态，跨环境序列化容易出问题，而字典形式的指标数据是完全独立的，兼容性更好。
• 确保保存和加载时使用相同的Keras/TensorFlow版本，避免因数据格式差异导致加载失败。

内容的提问来源于stack exchange，提问作者balkon16