前言
本文主要介绍在TensorFlow2 中使用Keras API保存整个模型，以及如果使用保存好的模型。保存整个模型时，有两种格式可以实现，分别是SaveModel和HDF5；在TF2.x中默认使用SavedModel格式。
文章分为简约版、实践版、代码版，首先从简约版认识基本流程、要点、代码等；再到实践版查看每一步的代码调试结果；最后通过代码版，可以自己尝试实践。
简约版
一、HDF5格式
HDF5标准提供了一种基本保存模型格式，也是常见的模型xxx.h5；通过HDF5格式会保存整个模型的权值值、模型的架构、模型的训练配置、优化器及状态等。
使用model.save() 保存，使用tf.keras.models.loda_model加载模型；
首先安装一下相关的依赖库，执行如下命令即可：
pip install pyyaml h5py
1.1）保存模型
代码语言：javascript复制# 创建并训练一个新的模型实例
model = create_model()
model.fit(train_images, train_labels, epochs = 5)
# 以HDF5 格式保存模型，保存后是xxx.h5的文件
model.save("my_model.h5")1.2）加载使用模型
加载模型：
代码语言：javascript复制# 重新创建完成相同的模型，包括权值和优化程序等
new_model = tf.keras.models.load_model("my_model.h5")
# 查看模型的结构
new_model.summary()检查其准确率（accuracy）：
代码语言：javascript复制loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率：{:5.2f}%".format(100 * acc))二、SavedMode格式
SavedModel格式是序列化模型的一种方法，是一个包含Protobuf二进制文件和Tensorflow检查点（checkpoint）的目录；
SavedModel格式也是使用model.save() 保存模型，使用tf.keras.models.loda_model加载模型；这种方式于Tensorflow Serving兼容。
2.1）保存模型
创建并训练一个新的模型实例，然后把训练好模型保存在saved_model 目录下，保存模型的名称为：my_model
代码语言：javascript复制# 创建并训练一个新的模型实例。
model = create_model()
model.fit(train_images, train_labels, epochs = 5)
# 以SavedModel格式保存整个模型
model.save("saved_model/my_model")SavedModel 格式是一个包含 protobuf 二进制文件和 Tensorflow 检查点（checkpoint）的目录。检查保存的模型目录：
代码语言：javascript复制# 首先查看 保存模型的目录saved_model下有那些文件
ls saved_model
# 查看我们刚才保存的模型my_model
ls saved_model/my_model能看到一个assets文件夹，saved_model.pd，和变量文件夹。
2.2）加载使用模型
加载保存好的模型：
代码语言：javascript复制new_model = tf.keras.models.load_model("saved_model/my_model")
# 看到模型的结构
new_model.summary()使用模型：
代码语言：javascript复制# 评估模型
loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率：{:5.2f}%".format(100 * acc))实践版
一、HDF5格式
HDF5标准提供了一种基本保存模型格式，也是常见的模型xxx.h5；通过HDF5格式会保存整个模型的权值值、模型的架构、模型的训练配置、优化器及状态等。
首先安装一下相关的依赖库，执行如下命令即可：
pip install pyyaml h5py
1.1）保存模型
1.2）加载使用模型
加载模型：
检查其准确率（accuracy）：
二、SavedMode格式
SavedModel格式是序列化模型的一种方法，是一个包含Protobuf二进制文件和Tensorflow检查点（checkpoint）的目录；
其使用model.save() 保存，使用tf.keras.models.loda_model加载模型；这种方式于Tensorflow Serving兼容。
2.1）保存模型
创建并训练一个新的模型实例，然后把训练好模型保存在saved_model 目录下，保存模型的名称为：my_model
SavedModel 格式是一个包含 protobuf 二进制文件和 Tensorflow 检查点（checkpoint）的目录。检查保存的模型目录：
能看到一个assets文件夹，saved_model.pd，和变量文件夹。
2.2）加载使用模型
加载保存好的模型：
使用模型：
代码版
HDF5格式：
代码语言：javascript复制# 导入Tensorflow和依赖项
import os
import tensorflow as tf
from tensorflow import keras
# 获取示例数据集，使用 MNIST 数据集，主要使用使用前1000个示例
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_labels = train_labels[:1000]
test_labels = test_labels[:1000]
train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0
# 定义模型，首先构建一个简单的序列（sequential）模型
# 定义一个简单的序列模型
def create_model():
model = tf.keras.models.Sequential([
keras.layers.Dense(512, activation='relu', input_shape=(784,)),
keras.layers.Dropout(0.2),
keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
return model
# 创建并训练一个新的模型实例
model = create_model()
model.fit(train_images, train_labels, epochs = 5)
# 以HDF5 格式保存模型，保存后是xxx.h5的文件
model.save("my_model.h5")
# 重新创建完成相同的模型，包括权值和优化程序等
new_model = tf.keras.models.load_model("my_model.h5")
# 查看模型的结构
new_model.summary()
loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率：{:5.2f}%".format(100 * acc))SavedMode格式：
代码语言：javascript复制# 导入Tensorflow和依赖项
import os
import tensorflow as tf
from tensorflow import keras
# 获取示例数据集，使用 MNIST 数据集，主要使用使用前1000个示例
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_labels = train_labels[:1000]
test_labels = test_labels[:1000]
train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0
# 定义模型，首先构建一个简单的序列（sequential）模型
# 定义一个简单的序列模型
def create_model():
model = tf.keras.models.Sequential([
keras.layers.Dense(512, activation='relu', input_shape=(784,)),
keras.layers.Dropout(0.2),
keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
return model
# 创建并训练一个新的模型实例。
model = create_model()
model.fit(train_images, train_labels, epochs = 5)
# 以SavedModel格式保存整个模型
model.save("saved_model/my_model")
new_model = tf.keras.models.load_model("saved_model/my_model")
# 看到模型的结构
new_model.summary()
# 评估模型
loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("评估保存好的模型 准确率：{:5.2f}%".format(100 * acc))
print(new_model.predict(test_images).shape)小结
保存整个模型时，有两种方式实现，分别是SaveModel和HDF5；两种都是使用model.save() 保存模块，使用tf.keras.models.loda_model加载模型；
HDF5格式 保存模型后，生成xxx.h5，比较常用。
SavedModel格式 保存模型后，是一个包含Protobuf二进制文件和Tensorflow检查点（checkpoint）的目录；
加油加油~~ 欢迎交流呀
