TensorFlow模型的保存及转换h5为pb:
通过model.save()
函数能非常方便的保存模型,TensorFlow 2.0主要包括两种方式保存完整模型:
- h5文件,具体代码
model.save(“xxx.h5”)
- pb文件,具体代码
mode.save(“xxx”, save_format=“tf”)
通过函数tf.keras.models.load_model()
函数能快速加载.h5模型与pb模型
import numpy as np
import tensorflow as tf
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape(60000, 28, 28, 1).astype('float32') / 255
x_test = x_test.reshape(10000, 28, 28, 1).astype('float32') / 255
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)
model = tf.keras.models.load_model("../weights/minist.h5")
# 加载pb模型
# model = tf.keras.models.load_model("../weights/minist")
model.summary()
print("第二次输出:")
print(model.predict(x_test, batch_size=8))
TensorFlow2.0模型保存与调用
TensorFlow2.x冻结模型,保存为.pb格式方便部署
Cpp调用Python:
C++调用python,并且在python和C++之间传输数据(numpy和mat数据)
Cpp部署TensorFlow训练的模型:
心电信号深度学习训练及部署(3):编译tensorflow C++ API
心电信号深度学习训练及部署(4):VS2019下验证tensorflow模型
win10调用tensorflow C++API(无需编译)
C++调用python训练的神经网络模型(tensorflow训练,opencv调用)
tensorflow2.0 C++加载python训练保存的pb模型
TensorFlow不重新编译源码使用C/C++ API推理
Windows下用c++来调用tensorflow训练好的模型
怎样使用c/c++部署tensorflow2.0训练的模型?
官方文档: