Tensorflow2模型保存读取

采用keras库保存、读取模型

创建模型

以手写数字集mnist为例，加载数据，创建简单模型

import tensorflow as tf
from tensorflow import keras

(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

train_images = train_images.reshape(-1, 28 * 28) / 255.0
test_images = test_images.reshape(-1, 28 * 28) / 255.0

# 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

保存模型

方法：tf.keras.models.save_model
保存模型作为TensorFlow SavedModel或HDF5文件。

1、保存为SavaModel格式

# SavaModel格式保存
export_dir = 'model/my_model'
model.save(export_dir)

2、保存为HDF5格式

# HDF5格式保存
model.save('model/my_model.h5')

读取模型

方法：tf.keras.models.load_model
通过加载保存的模型model.save()

1、读取SavaModel格式模型

model = tf.keras.models.load_model('model/my_model')

2、读取HDF5格式模型

new_model = tf.keras.models.load_model('model/my_model.h5')

转换模型给移动设备使用（.tflite文件）

方法：tf.lite.TFLiteConverter
将TensorFlow模型转换为TensorFlow Lite模型。
用法：

# 转换模型。
converter = tf.lite.TFLiteConverter.from_saved_model(export_dir)
tflite_model = converter.convert()
open("model/mnist_model.tflite", "wb").write(tflite_model)

Android加载tensorflow模型文件（.tflite）