from keras.models import Sequential
from keras.layers import Dense
from keras.models import load_model
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(2, size=(1000, 1))

# Train the model, iterating on the data in batches of 32 samples
model.fit(data, labels, epochs=10, batch_size=32)
score = model.evaluate(data,labels,batch_size=32)
print(score)
model.save('fei_model.h5')
 

但是在Keras中我們可以非常優雅地把整個模型（包括已經訓練好的引數和神經網路的結構）儲存起來，而且這一切都“非常非常”簡單。

需要提前說明的一點是Keras會把模型儲存成“.h5”檔案，為了讓你的程式可以支援這種形式的檔案你需要安裝一下h5py這個package

儲存模型的程式碼是：

from keras.model import load_model

model.save("路徑+檔名")

模型的載入程式碼是

model = load_model('fei_moddel')