(十)人工智能应用--深度学习原理与实战--模型的保存与加载使用

最新推荐文章于 2024-11-22 15:04:24 发布

张小凡vip

最新推荐文章于 2024-11-22 15:04:24 发布

阅读量1k

点赞数

分类专栏：人工智能快速入门应用文章标签：人工智能深度学习

本文链接：https://blog.csdn.net/zzq900503/article/details/132207545

版权

人工智能快速入门应用专栏收录该内容

12 篇文章 0 订阅 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

本文介绍了TensorFlow中模型的保存与加载，包括全模型（网络结构+权重+编译配置）、仅保存权重以及仅保存网络结构三种方案。通过案例展示了如何使用save()方法保存模型，load_model()函数加载模型，以及利用json文件存储和恢复网络结构。强调了模型保存与加载在实际应用中的重要性。

摘要由CSDN通过智能技术生成

目的:将训练好的模型保存为文件，下次使用时直接加载即可，不必重复建模训练。

神经网络模型训练好之后，可以保存为文件以持久存储，这样下次使用时就不重新建模训练，直接加载就可以。TensorfLow提供了灵活的模型保存方案，既可以同时保存网络结构和权重(即保存全模型)，也可以仅保存权重或网络结构。本章节通过案例来学习和掌握模型的多种保存方法。

学习内容:
a)全模型的保存与加载、使用
b)权重数据的保存及加载
c)网络结构的保存及加载

学习目标:
掌握全模型信息的保存与加载方法
掌握权重数据的保存及加载方法
掌握网络结构的保存及加载方法

方案一:保存全模型（网络结构+权重+编译配置)

1、搭建并训练好神经网络模型

from tensorflow.keras import datasets，layers，models

model = models.Sequential() # 定义模型对象

model.add(layers.Dense(512，activation = 'relu'， input_shape = (28*28，))) # 输入层

model.add(layers.Dense(10,activation = 'softmax')) #输出层