注：本系列所有博客將持續更新并發布在github上，您可以通過github下載本系列所有文章筆記檔案，

模型訓練好之后，我們就要想辦法將其持久化保存下來，不然關機或者程式退出后模型就不復存在了，本文介紹兩種持久化保存模型的方法：

在介紹這兩種方法之前，我們得先創建并訓練好一個模型，還是以mnist手寫數字識別資料集訓練模型為例：

In [1]:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, Sequential

In [2]:

model = Sequential([  # 創建模型
    layers.Dense(256, activation=tf.nn.relu),
    layers.Dense(128, activation=tf.nn.relu),
    layers.Dense(64, activation=tf.nn.relu),
    layers.Dense(32, activation=tf.nn.relu),
    layers.Dense(10)
    ]
)
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255

model.compile(loss='sparse_categorical_crossentropy',
              optimizer=keras.optimizers.RMSprop())
history = model.fit(x_train, y_train,  # 進行簡單的1次迭代訓練
                    batch_size=64,
                    epochs=1)

Train on 60000 samples
60000/60000 [==============================] - 3s 46us/sample - loss: 2.3700

方法一：model.save()¶

通過模型自帶的save()方法可以將模型保存到一個指定檔案中，保存的內容包括：

模型的結構
模型的權重引數
通過compile()方法配置的模型訓練引數
優化器及其狀態

In [3]:

model.save('mymodels/mnist.h5')

使用save()方法保存后，在mymodels目錄下就會有一個mnist.h5檔案，需要使用模型時，通過keras.models.load_model()方法從檔案中再次加載即可，

In [4]:

new_model = keras.models.load_model('mymodels/mnist.h5')

WARNING:tensorflow:Sequential models without an `input_shape` passed to the first layer cannot reload their optimizer state. As a result, your model isstarting with a freshly initialized optimizer.

新加載出來的new_model在結構、功能、引數各方面與model是一樣的，

通過save()方法，也可以將模型保存為SavedModel 格式，SavedModel格式是TensorFlow所特有的一種序列化檔案格式，其他編程語言實作的TensorFlow中同樣支持：

In [5]:

model.save('mymodels/mnist_model', save_format='tf')  # 將模型保存為SaveModel格式

WARNING:tensorflow:From /home/chb/anaconda3/envs/study_python/lib/python3.7/site-packages/tensorflow_core/python/ops/resource_variable_ops.py:1781: calling BaseResourceVariable.__init__ (from tensorflow.python.ops.resource_variable_ops) with constraint is deprecated and will be removed in a future version.
Instructions for updating:
If using Keras pass *_constraint arguments to layers.
INFO:tensorflow:Assets written to: mymodels/mnist_model/assets

In [6]:

new_model = keras.models.load_model('mymodels/mnist_model')  # 加載模型

方法二：model.save_weights()¶

save()方法會保留模型的所有資訊，但有時候，我們僅對部分資訊感興趣，例如僅對模型的權重引數感興趣，那么就可以通過save_weights()方法進行保存，

In [14]:

model.save_weights('mymodels/mnits_weights')  # 保存模型權重資訊

In [15]:

new_model = Sequential([  # 創建新的模型
    layers.Dense(256, activation=tf.nn.relu),
    layers.Dense(128, activation=tf.nn.relu),
    layers.Dense(64, activation=tf.nn.relu),
    layers.Dense(32, activation=tf.nn.relu),
    layers.Dense(10)
    ]
)
new_model.compile(loss='sparse_categorical_crossentropy',
              optimizer=keras.optimizers.RMSprop())
new_model.load_weights('mymodels/mnits_weights')  # 將保存好的權重資訊加載的新的模型中

Out[15]:

<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f49c42b87d0>

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/55435.html

標籤：其他

上一篇：美多商城專案(一)

下一篇：高德網路定位演算法的演進

TensorFlow2.0（12）：模型保存與序列化

方法一：model.save()¶

方法二：model.save_weights()¶