有一种方法可以做到这一点。请参阅文档！这很棒。

我假设您的意思是您使用 Keras（其中包含循环 GRU 层）构建网络，并希望在一些训练后保存模型，然后从同一点重新启动，例如使用新数据或只是进一步推动模型。

例子

假设您要分析一些形状为 (150, 150, 3) 的图像：

from keras.models import Model, load_model
from keras.layers import Input, GRU, Dense

my_model = Model()

my_input = Input(shape=(150, 150, 3))    # using Tensorflow's dims: 'channels last'
gru_layer - GRU()(input)
output = Dense(32)(gru_layer)

# tell the Model class which layers are the start and end of the model
model = Model(inputs=my_input, outputs=my_output)

# save it!
my_model.save('my_model.h5')

# some time later.... a new python session
my_reloaded_model = load_model('my_model.h5')

# continue using the model

解释

在构建模型时，我们可以按照通常的方式编译和训练它，例如my_model.fit(...)

训练完成后，我们可以通过两种不同的方式保存模型：

1. 只是模型权重，使用my_model.save_weights('my_weights.h5')
2. 整个模型及其元数据，使用my_model.save('my_model.h5')

无论哪种情况，您都需要该库h5py（请参阅文档）

选项 2 保留了模型中的更多信息。引用文档，它保存：

• 模型的架构，允许重新创建模型
• 模型的权重
• 训练配置（损失、优化器）
• 优化器的状态，允许在您停止的地方恢复训练。

要继续使用您结束并保存的模型，它很简单：

my_model = keras.models.load_model('my_models.h5')

现在你可以进一步训练它或内省模型等等。

链接

• 班级详情Model
• GRU详细信息
• 保存模型的详细信息