如果需要全部权重载入，直接使用权重载入方式
model.save_weights('./weigths.h5')
model2.load_weights('./weigths.h5')
但是有时候你只需要载入部分权重
所以你可以这样操作
首先，为所有层命名，在层中直接加入方法 name='layer1'
第二，使用，将你不需要载入权重的值更改名字。
最后，载入权重。
x=BatchNormalization(axis=channel_axis,name='layer2')(x)
model2.layers[-1].name='pred'
model2.load_weights('./weigths.h5',by_name=True)
上面的代码是对应的操作，这里我除了最后一层，其他层我都加载了权重，记住，by_name 必须赋值为True 这样才能够按照名称对应赋值权重。
注意：两个模型结构必须一样，不然可能出问题
补充知识：Keras中保存和加载权重及模型结构
1. 保存和加载模型结构
（1）保存为JSON字串
json_string = model.to_json()
（2）从JSON字串重构模型
from keras.models import model_from_json
model = model_from_json(json_string)
（3）保存为YAML字串
yaml_string = model.to_yaml()
（4）从YAML字串重构模型
model = model_from_yaml(yaml_string)
2. 保存和加载模型权重（参数）
from keras.models import load_model
# 创建HDF5文件'my_model.h5'，保存模型参数
model.save('my_model.h5')
# 加载模型参数
load_model('my_model.h5')
2.1 处理已保存模型中的自定义层（或其他自定义对象）
如果要加载的模型包含自定义层或其他自定义类或函数，则可以通过 custom_objects 参数将它们传递给加载机制：
from keras.models import load_model
# 假设你的模型包含一个 AttentionLayer 类的实例
model = load_model('my_model.h5', custom_objects={'AttentionLayer': AttentionLayer})
或者，你可以使用 自定义对象作用域：
from keras.utils import CustomObjectScope
with CustomObjectScope({'AttentionLayer': AttentionLayer}):
model = load_model('my_model.h5')自定义对象的处理与 load_model, model_from_json, model_from_yaml 的工作方式相同：
from keras.models import model_from_json
model = model_from_json(json_string, custom_objects={'AttentionLayer': AttentionLayer})
2019年6月1号更新：
更详细的使用方法：
如何保存Keras模型？
（1）一个HDF5文件即保存模型的结构又保存模型的权重
我们不推荐使用pickle或cPickle来保存Keras模型。
你可以使用model.save(filepath)将Keras模型和权重保存在一个HDF5文件中，该文件将包含：
模型的结构，以便重构该模型
模型的权重
训练配置（损失函数，优化器等）
优化器的状态，以便于从上次训练中断的地方开始
使用keras.models.load_model(filepath)来重新实例化你的模型，如果文件中存储了训练配置的话，该函数还会同时完成模型的编译。
例子：
from keras.models import load_model
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'
del model # deletes the existing model
# returns a compiled model
# identical to the previous one
model = load_model('my_model.h5')
（2）只保存模型的结构
如果你只是希望保存模型的结构，而不包含其权重或配置信息，可以使用：
# save as JSON json_string = model.to_json() # save as YAML yaml_string = model.to_yaml()
这项操作将把模型序列化为json或yaml文件，这些文件对人而言也是友好的，如果需要的话你甚至可以手动打开这些文件并进行编辑。
当然，你也可以从保存好的json文件或yaml文件中载入模型：
# 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)
（3）只保存模型的权重
如果需要保存模型的权重，可通过下面的代码利用HDF5进行保存。注意，在使用前需要确保你已安装了HDF5和其Python库h5py。
model.save_weights('my_model_weights.h5')
如果你需要在代码中初始化一个完全相同的模型，请使用：
model.load_weights('my_model_weights.h5')
如果你需要加载权重到不同的网络结构（有些层一样）中，例如fine-tune或transfer-learning，你可以通过层名字来加载模型：
model.load_weights('my_model_weights.h5', by_name=True)
例如：
""" 假如原模型为： model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) model.add(Dense(3, name="dense_2")) ... model.save_weights(fname) """ # new model model = Sequential() model.add(Dense(2, input_dim=3, name="dense_1")) # will be loaded model.add(Dense(10, name="new_dense")) # will not be loaded # load weights from first model; will only affect the first layer, dense_1. model.load_weights(fname, by_name=True)
