save_weights 方法Model.save_weights(filepath, overwrite=True, max_shard_size=None)
将所有权重保存到单个文件或分片文件中。
默认情况下，权重将保存到单个 .weights.h5 文件中。如果启用了分片（max_shard_size 不为 None），权重将保存到多个文件中，每个文件的最大大小为 max_shard_size (GB)。此外，一个配置文件 .weights.json 将包含分片文件的元数据。
保存的分片文件包含：
*.weights.json: 包含 'metadata' 和 'weight_map' 的配置文件。*_xxxxxx.weights.h5: 仅包含权重的分片文件。参数
str 或 pathlib.Path 对象。保存权重的路径。进行分片时，filepath 必须以 .weights.json 结尾。如果提供了 .weights.h5，它将被覆盖。int 或 float。每个分片文件的最大大小 (GB)。如果为 None，则不进行分片。默认为 None。示例
# Instantiate a EfficientNetV2L model with about 454MB of weights.
model = keras.applications.EfficientNetV2L(weights=None)
# Save the weights in a single file.
model.save_weights("model.weights.h5")
# Save the weights in sharded files. Use `max_shard_size=0.25` means
# each sharded file will be at most ~250MB.
model.save_weights("model.weights.json", max_shard_size=0.25)
# Load the weights in a new model with the same architecture.
loaded_model = keras.applications.EfficientNetV2L(weights=None)
loaded_model.load_weights("model.weights.h5")
x = keras.random.uniform((1, 480, 480, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))
# Load the sharded weights in a new model with the same architecture.
loaded_model = keras.applications.EfficientNetV2L(weights=None)
loaded_model.load_weights("model.weights.json")
x = keras.random.uniform((1, 480, 480, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))
load_weights 方法Model.load_weights(filepath, skip_mismatch=False, **kwargs)
从单个文件或分片文件中加载权重。
权重是根据网络的拓扑结构加载的。这意味着架构应该与保存权重时相同。请注意，没有权重的层在拓扑排序中不被考虑，因此添加或删除没有权重的层是可以的。
部分权重加载
如果您修改了模型，例如通过添加一个新层（带有权重）或改变层的权重的形状，您可以选择通过设置 skip_mismatch=True 来忽略错误并继续加载。在这种情况下，任何权重不匹配的层都将被跳过。每个被跳过的层都会显示一个警告。
分片
加载分片权重时，重要的是指定以 *.weights.json 结尾的 filepath，它用作配置文件。此外，分片文件 *_xxxxx.weights.h5 必须与配置文件在同一个目录中。
参数
str 或 pathlib.Path 对象。保存权重的路径。进行分片时，filepath 必须以 .weights.json 结尾。示例
# Load the weights in a single file.
model.load_weights("model.weights.h5")
# Load the weights in sharded files.
model.load_weights("model.weights.json")