模型的存储与加载

tensorflow：
有两种方式存储和加载模型。
①生成checkpoint file，扩展名为.ckpt，通过在tf.train.Saver对象上调用Saver.save()生成。包含权重和变量，但不包括图的结构。如果需要在另一个程序中使用，需要重新创建图形结构，并告诉Tesorflow如何处理这些权重。
模型存储：

# 保存变量，位于tf.train.Saver()后的变量将不会被存储
saver = tf.train.Saver()
# ....
# 存储模型, global_step是计数器，为训练轮数计数
# 更新计数器
global_step.assign(i).eval()
# 加载所有参数
saver.save(sess, ckpt_dir = "/model.ckpt", global_step = global_step)

加载模型：
使用saver.restore进行模型加载。

ckpt = tf.train.get_checkpoint_state(ckpt_dir)
if ckpt and ckpt.model_checkpoint_path:
    saver.restore(sess, ckpt.model_checkpoint_path)

②生成图协议文件（graph proto file），二进制文件，.pb，用tf.train.write_graph()保存。只包含图形结构，不包含权重，然后使用tf.import_graph_def()来加载图形。

# 当仅保存图模型时，才将图写入二进制协议文件中
v = tf.Variable(0, name = 'my_variable')
sess = tf.Session()
tf.train.write_grapg(sess.graph_def, '/tmp/tfmodel', 'train.pbtxt')

# 当读取时，又从协议文件中读取出来
with tf.Session() as _sess:
    with gfile.FastGFile("/tmp/tfmodel/train.pbtxt", 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        _sess.graph.as_default()
        tf.import_graph_def(graph_def, name = 'tfgraph')

---

keras：
keras的_model和load_model方法可以将keras模型和权重保存在一个hdf5文件中，这里面包括模型的结构，权重，训练的配置（损失函数，优化器）等。如果训练因为某个原因终中止，就用这个hdf5文件从上次训练的地方重新开始训练。
模型的加载和保存：
①模型的结构和权重都保存

from keras.models import save_model, load_model
# 创建一个HDF5文件
_, frame = tempfile.mkstemp('.h5')
save_model(model, fname)
new_model = load_model(fname)

os.remove(fname)

②只保存模型的结构，不保存其权重及训练的配置（损失函数，优化器）
保存时可将模型序列化为json或者yaml文件：

json_string = model.to_json()
yaml_string = model.to_yaml()

保存完成后，可用如下语句加载：

from keras.models import model_from_json
model = model_from_json(json_string)
model = model_from_yaml(yaml_string)

③仅保存模型的权重，不包含网络的结构

model.save_weights('my_model_weights.h5')
mode.load_weights('my_model_weights.h5')

推荐：https://blog.csdn.net/FontThrone/article/details/76675684