模型保存

在TensorFlow中，保存模型有两种常用的方法：SavedModel和HDF5格式。下面将详细介绍这两种保存模型的方法。

1. SavedModel格式：

SavedModel是TensorFlow提供的一种格式，用于保存完整的模型信息，包括模型结构、权重参数和计算图等。SavedModel格式适用于部署和迁移模型。

保存模型：

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=5)

# 保存模型
model.save("saved_model")

加载模型：

# 加载模型
loaded_model = tf.keras.models.load_model("saved_model")

2. HDF5格式：

HDF5格式是一种轻量级的模型保存格式，适用于保存模型的权重和结构信息。HDF5格式通常用于快速保存和加载模型权重。

保存模型：

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

# 保存模型结构
with open("model_architecture.json", "w") as f:
    f.write(model.to_json())

加载模型：

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

# 加载模型结构
with open("model_architecture.json", "r") as f:
    model = tf.keras.models.model_from_json(f.read())

以上就是TensorFlow中保存模型的两种常用方法。在实际开发中，根据需求选择合适的保存方式，保存模型可以帮助我们在需要时快速加载模型，方便模型的部署和迁移。