tensorflow模型的加载及保存，以及在C++端的部署

一、模型保存和加载

参考文章：TensorFlow2.0 —— 模型保存与加载

方法一、 仅保存模型权重(model.save_weights)

• 有两种保存模型权重的方法，一种是保存.h5形式。

model.save_weights("adasd.h5") # 模型权重保存
model.load_weights("adasd.h5") # 模型权重加载，需要有model
model.predict(x_test)  # 模型预测

• 另一种是保存checkpoint形式。

model.save_weights('./checkpoints/mannul_checkpoint')
model.load_weights('./checkpoints/mannul_checkpoint')
model.predict(x_test)

方法二、保存整个模型(model.save)

• 有两种保存模型的方法，一种是保存pb形式。

# Export the model to a SavedModel
model.save('keras_model_tf_version', save_format='tf')

# Recreate the exact same model
new_model = tf.keras.models.load_model('keras_model_tf_version')
new_model.predict(x_test)

• 保存.h5格式。

model.save('keras_model_hdf5_version.h5')

new_model = tf.keras.models.load_model('keras_model_hdf5_version.h5')
new_model.predict(x_test)

通过方法二保存的pb模型，会有一个文件夹,里面有三个文件

这里需要注意，虽然也有一个pb文件，但是这个文件里面只有模型结构，没有模型参数，参数在“variables”里，而且在opencv中只能加载tf1.x中静态图模式的参数，因此需要将该保存的模型转换成静态图模式的pb文件

方法三、保存整个模型(tf.saved_model)

tf.saved_model.save(model