要保存和加载Keras模型的权重，可以使用model.save_weights()和model.load_weights()方法。下面是一个示例代码：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 创建模型
model = Sequential()
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

# 生成随机数据
x_train = np.random.random((1000, 100))
y_train = np.random.randint(10, size=(1000, 1))

# 将标签转换为分类的 one-hot 编码
y_train = np.eye(10)[y_train.reshape(-1)]

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32)

# 保存模型权重
model.save_weights('model_weights.h5')

# 加载模型权重
model.load_weights('model_weights.h5')

# 使用模型进行预测
x_test = np.random.random((10, 100))
predictions = model.predict(x_test)

在这个示例中，我们首先创建了一个简单的Keras模型，然后编译并训练它。训练完成后，我们使用model.save_weights()方法保存了模型的权重到文件model_weights.h5中。然后，我们使用model.load_weights()方法加载了保存的权重。最后，我们使用加载的权重进行了预测。