深入理解 TensorFlow 的模型保存与加载机制（SavedModel vs H5）

深入理解 TensorFlow 的模型保存与加载机制（SavedModel vs H5）

在使用 TensorFlow 进行模型训练后，模型的保存与加载是部署、复用和迁移学习的重要环节。TensorFlow 提供了两种主要的保存格式：SavedModel 和 HDF5 (.h5)。本篇文章将详细对比它们的异同，并通过代码实战帮你掌握使用方法。

---

📦 一、为什么需要保存模型？

在训练完一个神经网络模型后，通常需要将模型持久化用于：

• 模型部署（线上服务）
• 迁移学习
• 断点训练（Resume Training）
• 团队共享模型

TensorFlow 支持以下两种主流保存方式：

格式	文件扩展名	支持特性
SavedModel	无扩展名（文件夹）	✅ 推荐格式，包含完整计算图，支持多语言部署（TF Serving、TensorFlow Lite 等）
HDF5	.h5	✅ Keras 风格保存，适合快速保存和加载模型

---

📂 二、SavedModel 格式详解

✅ 特点：

• 官方推荐格式。
• 保存了计算图、变量值、优化器状态等全部信息。
• 适用于 TensorFlow Serving、TensorFlow Lite、TF.js 等部署场景。
• 支持自定义对象（如自定义层、自定义训练逻辑）。

🛠 保存模型：

model.save("my_model")  # 保存为SavedModel格式（默认）

会生成一个目录：

my_model/
├── assets/
├── variables/
│   ├── variables.data-00000-of-00001
│   └── variables.index
└── saved_model.pb

📥 加载模型：

loaded_model = tf.keras.models.load_model("my_model")

可以继续训练或直接用于预测。

---

💾 三、HDF5（.h5）格式详解

✅ 特点：

• 更接近早期 Keras 用户的使用习惯。
• 使用一个单一的 .h5 文件保存全部信息（结构、权重、优化器状态）。
• 不兼容 TensorFlow Serving。

🛠 保存模型：

model.save("my_model.h5")  # 显式指定保存为HDF5格式

📥 加载模型：

loaded_model = tf.keras.models.load_model("my_model.h5")

⚠ 注意：如使用自定义层或自定义训练函数，加载时需使用 custom_objects 参数指定。

---

🔄 四、对比：SavedModel vs H5

对比项	SavedModel	HDF5 (.h5)
文件形式	文件夹	单一文件
保存信息	结构 + 权重 + 优化器状态 + 计算图	同上（不含完整计算图）
多语言部署	✅ 支持	❌ 不支持
TensorFlow Serving	✅ 支持	❌ 不支持
TensorFlow Lite 支持	✅ 支持	❌ 不支持
自定义训练逻辑支持	✅ 更好	✅ 有限支持
文件大小	稍大	相对较小

---

🧪 五、实战代码对比

以下是一个完整的模型保存与加载实战代码：

import tensorflow as tf
from tensorflow.keras import layers, models

# 构建简单模型
model = models.Sequential([
    layers.Dense(64, activation='relu', input_shape=(100,)),
    layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')

# 保存为 SavedModel
model.save("model_savedmodel")

# 保存为 HDF5 格式
model.save("model.h5")

# 加载 SavedModel
model1 = tf.keras.models.load_model("model_savedmodel")

# 加载 HDF5
model2 = tf.keras.models.load_model("model.h5")

---

🔐 六、进阶话题：只保存权重 vs 保存结构

1. 只保存权重

model.save_weights("weights.h5")

加载：

model = create_model()  # 需先定义好模型结构
model.load_weights("weights.h5")

2. 保存结构（不含权重）

# 保存JSON格式结构
json_str = model.to_json()

加载结构：

model = tf.keras.models.model_from_json(json_str)

---

✅ 七、结语：选择哪种格式？

• 如果你是部署服务或计划使用 TensorFlow Serving、TensorFlow Lite：推荐 SavedModel。
• 如果你是快速实验、迁移学习或保存简单模型：HDF5 更方便。
• 如果只是保存参数，用于 Resume Training：save_weights() 即可。

---

📌 小贴士

• model.save() 不指定扩展名时默认保存为 SavedModel。

• 加载模型时也可以查看其结构和权重是否正确：

  model.summary()