我是数据科学的新手，我仍在学习机器学习。我知道我们可以根据应用使用Regression、Classification、Clustering、ANN、CNN、RNN等模型。
这些模型我们在PC中编码，训练和预测一些数据。有些模型也需要花费大量时间进行训练。之后，我们关闭了PC。
如果我想要几天后具有相同数据集的相同模型，请再次打开 PC 并训练相同的模型。
我想知道如何在将来使用经过训练的模态，而无需训练，一次又一次，每次 PC 打开时。我主要要求ANN、CNN、RNN模型。
另外，我想知道模态的权重值存储在哪里，因为权重不存储在变量中。我怎么能找到它，我不能使用这些训练有素的体重数据来提供将来ANN。
通常，简单的模型（例如逻辑回归，决策树）不需要花费大量时间训练，显然取决于您训练它们的数据大小。
另一方面，深度学习模型往往具有很高的训练时间。一种常见的技术是使用 HDF5 文件格式保存训练好的模型。如果您有兴趣，可以查看此链接以获取有关格式的更多信息。
实现此目的的最简单方法可能是使用 Keras 的内置函数模型。
from keras.models import load_model
model = train_neural_network() # Train your model
model.save('my_model.h5') # creates a HDF5 file 'my_model.h5'
model = load_model('my_model.h5') # Load your saved model and use it on whatever data you want
由于你是一个数据科学乞丐，如果你对这个领域有一些基本的了解，并且想直接跳到深度学习，我建议使用谷歌的Colab（链接）。
每个用户都会被分配一个虚拟机，该虚拟机具有专为涉及深度学习的任务而构建的硬件。它包含运行神经网络所需的大多数依赖项。
保存功能齐全的模型非常有用 - 您可以加载它们。在 TensorFlow 中，您可以将整个模型保存到包含权重值、模型配置甚至优化器配置的文件中。你可以做：
model.save('ModelName.model')
此外，Keras 提供了使用 HDF5 标准的基本保存格式。
#Save entire model to a HDF5 file
model.save('my_model.h5')
有关更多详细信息，请查看文档
例如，对于权重，如果有一个二元分类器，其二元分类器在0标签中的数量是1标签的两倍，则可以在拟合模型时进行设置，如下所示：
Class_Weights = {0: 1., 1: 2} #twice as many 0 as 1
#fit model and pass weights
model.fit(X, y, class_weight=Class_Weights
batch_size=20, epochs=5, validation_split=0.3,)
如果你只使用 TensorFlow，你可以使用 SavedModel API。这是汤姆的答案。另外，你可以在 github 中找到一个 Wen 的例子