import tensorflow as tf
import json
import tensorflow.keras.models
这是独立的包
import tensorflow.keras
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation=’relu’),
tf.keras.layers.Dense(10, activation=’softmax’)
])
model.compile(optimizer=’adam’,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=[‘sparse_categorical_accuracy’])
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
model.summary()
”’
保存为h5模型：使用model.save来保存模型，可以把模型的结构、权值参数和优化器的设置，代价函数的设置，metrics的设置全部保存下来
提取方法：tensorflow.keras.models.load_model(“mymodel.h5”)
model.save(“mymodel.h5”)
”’
”’
SavedModel是Tensorflow中的一种模型格式，其优点是与语言无关,不加h5后缀,pb结构，variable权值，可用于除Sequential以外的模型
model.save(“mymodel”)
只想保存模型的结构，而不保存模型的权值、优化器和代价函数等内容,主要使用json
”’
”’
json_config=model.to_json()
with open(“model.json”,”w”)as m:
json.dump(json_config,m)
读取模型：
with open(“model.json”) as m:
json_config=json.load(m)
model2=tensorflow.keras.models.model_from_json(json_config)
model2.summary()
”’
”’
仅保存模型的参数：
model.save_weights（’path_to_my_model.h5’）
载入时，需先使用json导入模型结构，或定义好模型结构
model.load_weights（’path_to_my_model.h5’）
还需要定义compile中的内容，包括优化器和代价函数等。因为model.save()会保存compile中的内容，
而model.save_weights只会保存模型的参数。所以，load_weights以后还需要重新定义compile的内容，这样才能进一步训练模型。
”’
Original: https://blog.csdn.net/hh1357102/article/details/122916096
Author: 颢师傅
Title: tensorflow2.0保存模型
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/514672/
转载文章受原作者版权保护。转载请注明原作者出处！