这两种节省keras机器学习模型权重的方法有什么区别？

我看到了两种减轻keras模型权重的方法。

第一种方式；

checkpointer = ModelCheckpoint(filepath="weights.hdf5", verbose=1, save_best_Only=True)
model.fit(x_train, y_train,
                    nb_epoch=number_of_epoch,
                    batch_size=128,
                    verbose=1,
                    validation_data=(x_test, y_test),
                    callbacks=[reduce_lr, checkpointer],
                    shuffle=True)

第二种方式

model.save_weights("model_weights.h5")

两种方式有什么区别？加载weights.hdf5和加载之间的预测性能model_weights.h5有何不同？

1> zimmerrol..：

---

不，在性能方面没有区别。这只是如何保存模型以及何时保存模型的两种不同方式。model.save_weights每当需要保存模型时（例如在训练或训练的一部分完成之后），使用require都要特别调用此函数。ModelCheckpoint如果您仍在开发模型，则使用起来会更加方便。使用这种方法，keras可以在每个训练时期之后保存模型的检查点，以便您可以还原不同的模型；或者您可以进行设置，save_best_Only=True以便keras 仅在性能提高后才覆盖最新的检查点，从而以性能最佳的模型结束。

概括起来：这只是做两种不同事情的两种不同方式。这取决于您的用例和需求，什么才是最好的。

---

感谢您的回答。已投票。我认为有一个关键的区别。结合使用带有“ save_best_Only= True”的“ ModelCheckpoint”，可以确保保存最佳权重。无法保证其他方法。因此，`save_best_Only= True`总是更好。我想不出任何其他原因不要一直使用它。

---

@FloridaMan一样。只是不同的文件扩展名，否则文件将是相同的。* .h5和* .hdf5是同义词文件扩展名。