神经网络模型的加载与保存(基于tensorflow)

神经网络模型的加载与保存

方式一：只保存权重，save/load weights

注：只保存权重，不保存模型，轻量级，要求复现的模型与原模型完全相同

// 模型的保存与下载步骤
// save the weights
model.save_weights("./checkpoints/my_checkpoint")
//restore the weights
model = create_model()
model.load_weights("./checkpoints/my_checkpoint")
//evaluate model
loss, acc = model.evaluate(test_images, test_labels)
print( "Restored model,accuracy: {:5.2f}%".format( 100*acc))

// 方法一示例
network.save_weights( 'weights.ckpt ')print( 'saved weights.')
del network
network = Sequential([layers.Dense(256,activation='relu'),
					  layers.Dense(128,activation='relu'),
					  layers.Dense(64,activation='relu'),
					  layers.Dense(32,activation='relu '),
					  layers.Dense(10)])
network.compile(optimizer=optimizers.Adam(lr=0.01),
	       loss=tf.losses.CategoricalCrossentropy(from_logits=True),
	       metrics=['accuracy'])
network.load_weights('weights.ckpt')
network.evaluate(ds_val)

方式二: 将权重与模型一同保存，save/load total model

注：模型与权重均保存，占用空间大，不需要复现原模型

// 模型的保存与下载步骤：
network.save('model.h5')
print('saved total model.')
del network
print('load model from file')
network = tf.keras.models.load_model('model.h5 ')
network.evaluate(x_val, y_val)

方式三: 可用于工业部署的方法，saved_model

注：很常用，用于工业环境的部署，可以被其他语言使用

// 模型的保存与下载步骤：
tf.saved_model.save(m,'/tmp/saved_model/')
imported = tf.saved_model.load(path)
f = imported.signatures["serving_default"]
print(f(x=tf.ones([1，28，28，3])))