分成兩種情況，一種是公開的訓練好的模型，下載后可以使用的，一類是自己訓練的模型，需要保存下來，以備今后使用。
如果是第一種情況，則參考 http://keras-cn.readthedocs.io/en/latest/other/application/
使用的是Application應用，文檔中的例子如下
利用ResNet50網絡進行ImageNet分類
from keras.applications.resnet50 import ResNet50 from keras.preprocessing import image from keras.applications.resnet50 import preprocess_input, decode_predictions import numpy as np model = ResNet50(weights='imagenet') #僅僅這樣就可以 img_path = 'elephant.jpg' img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) preds = model.predict(x) # decode the results into a list of tuples (class, description, probability) # (one such list for each sample in the batch) print('Predicted:', decode_predictions(preds, top=3)[0]) # Predicted: [(u'n02504013', u'Indian_elephant', 0.82658225), (u'n01871265', u'tusker', 0.1122357), (u'n02504458
如果是自己的模型想保存下來，參考http://keras-cn.readthedocs.io/en/latest/for_beginners/FAQ/#keras_1
又有兩種方式，一種是：
你可以使用model.save(filepath)將Keras模型和權重保存在一個HDF5文件中，該文件將包含：
- 模型的結構，以便重構該模型
- 模型的權重
- 訓練配置（損失函數，優化器等）
- 優化器的狀態，以便於從上次訓練中斷的地方開始
使用keras.models.load_model(filepath)來重新實例化你的模型，如果文件中存儲了訓練配置的話，該函數還會同時完成模型的編譯
另外一種方式，可以分開保存模型結構和模型參數：
如果你只是希望保存模型的結構，而不包含其權重或配置信息，可以使用：
# save as JSON json_string = model.to_json() # save as YAML yaml_string = model.to_yaml() 這項操作將把模型序列化為json或yaml文件，這些文件對人而言也是友好的，如果需要的話你甚至可以手動打開這些文件並進行編輯。
當然，你也可以從保存好的json文件或yaml文件中載入模型：
# model reconstruction from JSON: from keras.models import model_from_json model = model_from_json(json_string) # model reconstruction from YAML model = model_from_yaml(yaml_string) 如果需要保存模型的權重，可通過下面的代碼利用HDF5進行保存。注意，在使用前需要確保你已安裝了HDF5和其Python庫h5py
model.save_weights('my_model_weights.h5') 如果你需要在代碼中初始化一個完全相同的模型，請使用：
model.load_weights('my_model_weights.h5') 如果你需要加載權重到不同的網絡結構（有些層一樣）中，例如fine-tune或transfer-learning，你可以通過層名字來加載模型：
model.load_weights('my_model_weights.h5', by_name=True)
例子：
- json_string = model.to_json()
- open('my_model_architecture.json','w').write(json_string)
- model.save_weights('my_model_weights.h5')
- model = model_from_json(open('my_model_architecture.json').read())
- model.load_weights('my_model_weights.h5')
http://blog.csdn.net/johinieli/article/details/69367176
http://blog.csdn.net/johinieli/article/details/69367434