我们训练完模型之后，一般会需要保存模型或者只保存权重文件。可以利用keras中的回调函数ModelCheckpoint进行保存。
定义：
keras.callbacks.ModelCheckpoint(
filepath,
monitor='val_loss',
verbose=0,
save_best_only=True,
save_weights_only=False,
mode='auto',
period=1
)
参数含义：
1. filename：模型保存在本地的路径
2. monitor：需要监视的值，val_accuracy、val_loss或者accuracy
3. verbose：信息展示模式
4. save_best_only：当设置为True时，表示当模型这次epoch的训练评判结果（monitor的监测值）比上一次保存训练时的结果有提升时才进行保存。
5. mode：‘auto’，‘min’，‘max’之一，在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。
6. save_weights_only：若设置为True，占用内存小（只保存模型权重），但下次想调用的话，需要搭建和训练时一样的网络。若设置为False，占用内存大（包括了模型结构和配置信息），下次调用可以直接载入，不需要再次搭建神经网络结构。
7. period：填写 int 值，如果填写 period=3，指模型每训练3个epoch，进行保存一次。
save_weights_only = True
model=load_model(filepath)
save_weights_only = False
model = tf.keras.Sequential([
# 设置神经元个数，lstm层数问题
LSTM(100, return_sequences=True),
Dropout(0.2),
LSTM(80),
Dropout(0.2),
# 这一层神经元的个数表示Dense参数中unit个数
Dense(4)])
model.compile(optimizer=tf.keras.optimizers.Adam(0.0006), loss='mean_squared_error')
model.load_weights(checkpoint_save_path)
