前言

本文主要介紹在TensorFlow2 中使用Keras API保存整個模型，以及如果使用保存好的模型，保存整個模型時，有兩種格式可以實作，分別是SaveModel和HDF5；在TF2.x中默認使用SavedModel格式，

文章分為簡約版、實踐版、代碼版，首先從簡約版認識基本流程、要點、代碼等；再到實踐版查看每一步的代碼除錯結果；最后通過代碼版，可以自己嘗試實踐，

簡約版

一、HDF5格式

HDF5標準提供了一種基本保存模型格式，也是常見的模型xxx.h5；通過HDF5格式會保存整個模型的權值值、模型的架構、模型的訓練配置、優化器及狀態等，

使用model.save() 保存，使用tf.keras.models.loda_model加載模型；

首先安裝一下相關的依賴庫，執行如下命令即可：

pip install pyyaml h5py

1.1）保存模型

# 創建并訓練一個新的模型實體
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以HDF5 格式保存模型，保存后是xxx.h5的檔案
model.save("my_model.h5")

1.2）加載使用模型

加載模型：

# 重新創建完成相同的模型，包括權值和優化程式等
new_model = tf.keras.models.load_model("my_model.h5")

# 查看模型的結構
new_model.summary()

檢查其準確率（accuracy）：

loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("評估保存好的模型 準確率：{:5.2f}%".format(100 * acc))

二、SavedMode格式

SavedModel格式是序列化模型的一種方法，是一個包含Protobuf二進制檔案和Tensorflow檢查點（checkpoint）的目錄；

SavedModel格式也是使用model.save() 保存模型，使用tf.keras.models.loda_model加載模型；這種方式于Tensorflow Serving兼容，

2.1）保存模型

創建并訓練一個新的模型實體，然后把訓練好模型保存在saved_model 目錄下，保存模型的名稱為：my_model

# 創建并訓練一個新的模型實體，
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以SavedModel格式保存整個模型
model.save("saved_model/my_model")

SavedModel 格式是一個包含 protobuf 二進制檔案和 Tensorflow 檢查點（checkpoint）的目錄，檢查保存的模型目錄：

# 首先查看 保存模型的目錄saved_model下有那些檔案
ls saved_model

# 查看我們剛才保存的模型my_model
ls saved_model/my_model

能看到一個assets檔案夾，saved_model.pd，和變數檔案夾，

2.2）加載使用模型

加載保存好的模型：

new_model = tf.keras.models.load_model("saved_model/my_model")

# 看到模型的結構
new_model.summary()

使用模型：

# 評估模型
loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("評估保存好的模型 準確率：{:5.2f}%".format(100 * acc))

實踐版

一、HDF5格式

HDF5標準提供了一種基本保存模型格式，也是常見的模型xxx.h5；通過HDF5格式會保存整個模型的權值值、模型的架構、模型的訓練配置、優化器及狀態等，

首先安裝一下相關的依賴庫，執行如下命令即可：

pip install pyyaml h5py

1.1）保存模型

1.2）加載使用模型

加載模型：

檢查其準確率（accuracy）：

二、SavedMode格式

SavedModel格式是序列化模型的一種方法，是一個包含Protobuf二進制檔案和Tensorflow檢查點（checkpoint）的目錄；

其使用model.save() 保存，使用tf.keras.models.loda_model加載模型；這種方式于Tensorflow Serving兼容，

2.1）保存模型

創建并訓練一個新的模型實體，然后把訓練好模型保存在saved_model 目錄下，保存模型的名稱為：my_model

SavedModel 格式是一個包含 protobuf 二進制檔案和 Tensorflow 檢查點（checkpoint）的目錄，檢查保存的模型目錄：

能看到一個assets檔案夾，saved_model.pd，和變數檔案夾，

2.2）加載使用模型

加載保存好的模型：

使用模型：

代碼版

HDF5格式：

# 匯入Tensorflow和依賴項
import os
import tensorflow as tf
from tensorflow import keras


# 獲取示例資料集，使用 MNIST 資料集，主要使用使用前1000個示例
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

train_labels = train_labels[:1000]
test_labels = test_labels[:1000]

train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0


# 定義模型，首先構建一個簡單的序列（sequential）模型
# 定義一個簡單的序列模型
def create_model():
  model = tf.keras.models.Sequential([
    keras.layers.Dense(512, activation='relu', input_shape=(784,)),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10)
  ])

  model.compile(optimizer='adam',
                loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

  return model

# 創建并訓練一個新的模型實體
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以HDF5 格式保存模型，保存后是xxx.h5的檔案
model.save("my_model.h5")

# 重新創建完成相同的模型，包括權值和優化程式等
new_model = tf.keras.models.load_model("my_model.h5")

# 查看模型的結構
new_model.summary()

loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("評估保存好的模型 準確率：{:5.2f}%".format(100 * acc))

SavedMode格式：

# 匯入Tensorflow和依賴項
import os
import tensorflow as tf
from tensorflow import keras


# 獲取示例資料集，使用 MNIST 資料集，主要使用使用前1000個示例
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

train_labels = train_labels[:1000]
test_labels = test_labels[:1000]

train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0


# 定義模型，首先構建一個簡單的序列（sequential）模型
# 定義一個簡單的序列模型
def create_model():
  model = tf.keras.models.Sequential([
    keras.layers.Dense(512, activation='relu', input_shape=(784,)),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10)
  ])

  model.compile(optimizer='adam',
                loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])

  return model


# 創建并訓練一個新的模型實體，
model = create_model()
model.fit(train_images, train_labels, epochs = 5)

# 以SavedModel格式保存整個模型
model.save("saved_model/my_model")


new_model = tf.keras.models.load_model("saved_model/my_model")

# 看到模型的結構
new_model.summary()

# 評估模型
loss, acc = new_model.evaluate(test_images, test_labels, verbose = 2)
print("評估保存好的模型 準確率：{:5.2f}%".format(100 * acc))

print(new_model.predict(test_images).shape)

小結

保存整個模型時，有兩種方式實作，分別是SaveModel和HDF5；兩種都是使用model.save() 保存模塊，使用tf.keras.models.loda_model加載模型；

HDF5格式 保存模型后，生成xxx.h5，比較常用，

SavedModel格式 保存模型后，是一個包含Protobuf二進制檔案和Tensorflow檢查點（checkpoint）的目錄；

加油加油~~ 歡迎交流呀