TensorFlow 2.0 模型的保存和恢复

共包含五终保存的方式

1. 模型整体的保存(框架和权重)
2. 保存模型的框架(代码的结构)
3. 保存模型的权重
4. 使用回调函数对模型进行保存
5. 自定义训练模型的保存

1 模型整体的保存

整个模型可以保存到一个文件中，其中包含权重值、模型配置乃至优化器配置。可以为模型设置检查点，并稍后从完全相同的状态继续训练，而无需访问原始代码。
Keras使用HDF5标准提供基本的保存格式

#保存模型的代码
model.save('./save_model/less_model.h5')

#加载保存的模型
new_model = tf.keras.models.load_model('./save_model/less_model.h5')

此方法主要保存一下所有内容：

• 权重值
• 模型配置(架构)
• 优化器配置

2 仅保存架构

如果对模型的架构感兴趣，而无需保存权重值和优化器。可以仅保存模型的‘配置’

#保存
json_model = model.to_json()


#加载
re_model = tf.keras.models.model_from_json(json_model)

#查看网络结构
re_model.summary()

3 保存模型权重

如果只需要保存模型的状态(权重值)，可以通过get_weights()获取权重值，并通过set_weights()设置权重值

#获得权重
weights = model.get_weights()

#保存权重
model.save_weights('./save_model/less_weights.h5')


#加载权重
re_model.load_weights('./save_model/less_weights.h5')

4 回调函数在训练期间保存检查点

在训练期间或者结束时自动保存检查点。便于使用经过训练的模型，而无需重新训练该模型，或者从上次暂停的地方继续训练，以防止训练中断
回调函数：tf.keras.callback.ModelCheckpoint()

#保存的代码

model.compile(optimizer='adam',
          loss='mse',
          metrics=['acc'])

checkpoint_save_path = "./model_save/derain.ckpt" # 保存的路径

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,s