深度学习训练后模型的保存格式是什么，请举例说明

深度学习模型在训练后通常以特定的文件格式保存，以便在需要时重新加载和使用。常见的保存格式包括：

1. HDF5（H5）格式：

说明： HDF5是一种用于存储和组织大量数据的文件格式，广泛用于深度学习中保存模型权重、架构和其他相关信息。
示例代码：

# 使用 Keras（TensorFlow 的高阶API）保存模型为HDF5格式
from keras.models import load_model, save_model

model.save("my_model.h5")  # 保存模型
loaded_model = load_model("my_model.h5")  # 加载模型

2. TensorFlow SavedModel 格式：

说明： TensorFlow提供了SavedModel格式，它可以保存完整的模型架构、权重和计算图。这是 TensorFlow 推荐的保存和部署模型的方式。
示例代码：

# 使用 TensorFlow 保存和加载 SavedModel
model.save("my_model")  # 保存模型
loaded_model = tf.keras.models.load_model("my_model")  # 加载模型

3.ONNX 格式：

说明： ONNX（Open Neural Network Exchange）是一个开放标准，允许在不同深度学习框架之间共享模型。许多框架（如PyTorch、Caffe2）都支持ONNX。
示例代码：

# 使用 ONNX 保存和加载模型
import onnx
onnx.save(model, "my_model.onnx")  # 保存模型
loaded_model = onnx.load("my_model.onnx")  # 加载模型

4.PyTorch 模型保存格式：

说明： PyTorch提供了自己的模型保存和加载方式，通常以.pt或.pth为文件扩展名。
示例代码：

# 使用 PyTorch 保存和加载模型
torch.save(model.state_dict(), "my_model.pth")  # 保存模型权重
loaded_model = MyModelClass()  # 实例化模型
loaded_model.load_state_dict(torch.load("my_model.pth"))  # 加载模型权重

这些是一些常见的深度学习模型保存格式和示例代码，具体的选择取决于你所使用的深度学习框架和需求。