今天學習如何儲存神經網路，以方便日後可以直接提取使用。

儲存的方式是我們可以先把神經網路的引數，比如說 weights 還有 bias 儲存起來，再重新定義神經網路的結構，使用模型的時候需要把引數 set 到結構中去。

儲存和提取的方法是利用 shared 變數的 get 功能，拿出變數值儲存到檔案中去， 下一次再定義 weights 和 bias 的時候，可以直接把儲存好的值放到 shared variable 中去。

本文以 Classification 分類學習 那節的程式碼為例。

import numpy as np
import theano
import theano.tensor as T
import pickle  #該模組用來儲存檔案

#---------------------模型-------------------------#
def compute_accuracy(y_target, y_predict):
    correct_prediction = np.equal(y_predict, y_target)
    accuracy = np.sum(correct_prediction)/len(correct_prediction)
    return accuracy

rng = np.random

# set random seed
np.random.seed(100)

N = 400
feats = 784

# generate a dataset: D = (input_values, target_class)
D = (rng.randn(N, feats), rng.randint(size=N, low=0, high=2))

# Declare Theano symbolic variables
x = T.dmatrix("x")
y = T.dvector("y")

# initialize the weights and biases
w = theano.shared(rng.randn(feats), name="w")
b = theano.shared(0., name="b")

# Construct Theano expression graph
p_1 = 1 / (1 + T.exp(-T.dot(x, w) - b))
prediction = p_1 > 0.5
xent = -y * T.log(p_1) - (1-y) * T.log(1-p_1)
cost = xent.mean() + 0.01 * (w ** 2).sum()
gw, gb = T.grad(cost, [w, b])

# Compile
learning_rate = 0.1
train = theano.function(
          inputs=[x, y],
          updates=((w, w - learning_rate * gw), (b, b - learning_rate * gb)))
predict = theano.function(inputs=[x], outputs=prediction)

# Training
for i in range(500):
    train(D[0], D[1])

#把所有的引數放入 save 資料夾中，命名檔案為 model.pickle，以 wb 的形式開啟並把引數寫入進去。

#定義 model＝[] 用來儲存 weights 和 bias，這裡用的是 list 結構儲存，也可以用字典結構儲存，提取值時用 get_value() 命令。

#再用 pickle.dump 把 model 儲存在 file 中。

#可以通過 print(model[0][:10]) 打印出儲存的 weights 的前 10 個數，方便後面提取模型時檢查是否儲存成功。還可以列印 accuracy 看準確率是否一樣。

#儲存模型
with open('data/model.pickle', 'wb') as file:
    model = [w.get_value(), b.get_value()]
    pickle.dump(model, file)
    print(model[0][:10])
    print("accuracy:", compute_accuracy(D[1], predict(D[0])))

#提取模型
#接下來提取模型時，提前把程式碼中 # Training 和 # save model 兩部分註釋掉，即相當於只是通過 建立資料－建立模型－啟用模型 構建好了新的模型結構，下面要通過呼叫存好的引數來進行預測。
#以 rb 的形式讀取 model.pickle 檔案載入到 model 變數中去，然後用 set_value 命令把 model 的第 0 位存進 w，第 1 位存進 b 中。同樣可以打印出 weights 的前 10 位和 accuracy，來對比之前的結果，可以發現結果完全一樣。
with open('data/model.pickle','rb')as file:
    model = pickle.load(file)
    w.set_value(model[0])
    b.set_value(model[1])
    print(w.get_value()[:10])
    print("accuracy:", compute_accuracy(D[1], predict(D[0])))
 

結果：

來源