完整模型保存与加载
save 方法
Model.save(filepath, overwrite=True, save_format=None, **kwargs)
将模型保存为 TensorFlow SavedModel 或 HDF5 文件。
有关详细信息，请参阅 序列化和保存指南。
参数
- model：要保存的 TF-Keras 模型实例。
- filepath：
str或pathlib.Path对象。保存模型的路径。 - overwrite：是否应覆盖目标位置的任何现有模型，或者改为通过交互式提示询问用户。
- save_format：
"keras"、"tf"、"h5"之一，指示是否以原生 TF-Keras 格式（.keras）、TensorFlow SavedModel 格式（以下称为“SavedModel”）或旧版 HDF5 格式（.h5）保存模型。在 TF 2.X 中默认为"tf"，在 TF 1.X 中默认为"h5"。
SavedModel 格式参数：include_optimizer：仅适用于 SavedModel 和旧版 HDF5 格式。如果为 False，则不保存优化器状态。默认为 True。signatures：仅适用于 SavedModel 格式。要与 SavedModel 一起保存的签名。有关详细信息，请参阅 tf.saved_model.save 中的 signatures 参数。options：仅适用于 SavedModel 格式。tf.saved_model.SaveOptions 对象，指定 SavedModel 保存选项。save_traces：仅适用于 SavedModel 格式。启用后，SavedModel 将存储每一层的函数跟踪。可以禁用此选项，以便仅存储每一层的配置。默认为 True。禁用此选项将减少序列化时间并减小文件大小，但它要求所有自定义层/模型都实现 get_config() 方法。
示例
model = tf.keras.Sequential([
tf.keras.layers.Dense(5, input_shape=(3,)),
tf.keras.layers.Softmax()])
model.save("model.keras")
loaded_model = tf.keras.models.load_model("model.keras")
x = tf.random.uniform((10, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))
请注意，model.save() 是 tf.keras.models.save_model() 的别名。
save_model 函数
tf_keras.saving.save_model(
model, filepath, overwrite=True, save_format=None, **kwargs
)
将模型保存为 TensorFlow SavedModel 或 HDF5 文件。
有关详细信息，请参阅 序列化和保存指南。
参数
- model：要保存的 TF-Keras 模型实例。
- filepath：
str或pathlib.Path对象。保存模型的路径。 - overwrite：是否应覆盖目标位置的任何现有模型，或者改为通过交互式提示询问用户。
- save_format：
"keras"、"tf"、"h5"之一，指示是否以原生 TF-Keras 格式（.keras）、TensorFlow SavedModel 格式（以下称为“SavedModel”）或旧版 HDF5 格式（.h5）保存模型。在 TF 2.X 中默认为"tf"，在 TF 1.X 中默认为"h5"。
SavedModel 格式参数：include_optimizer：仅适用于 SavedModel 和旧版 HDF5 格式。如果为 False，则不保存优化器状态。默认为 True。signatures：仅适用于 SavedModel 格式。要与 SavedModel 一起保存的签名。有关详细信息，请参阅 tf.saved_model.save 中的 signatures 参数。options：仅适用于 SavedModel 格式。tf.saved_model.SaveOptions 对象，指定 SavedModel 保存选项。save_traces：仅适用于 SavedModel 格式。启用后，SavedModel 将存储每一层的函数跟踪。可以禁用此选项，以便仅存储每一层的配置。默认为 True。禁用此选项将减少序列化时间并减小文件大小，但它要求所有自定义层/模型都实现 get_config() 方法。
示例
model = tf.keras.Sequential([
tf.keras.layers.Dense(5, input_shape=(3,)),
tf.keras.layers.Softmax()])
model.save("model.keras")
loaded_model = tf.keras.saving.load_model("model.keras")
x = tf.random.uniform((10, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))
请注意，model.save() 是 tf.keras.saving.save_model() 的别名。
SavedModel 或 HDF5 文件包含
- 模型的配置（架构）
- 模型的权重
- 模型优化器状态（如果有）
因此，模型可以在完全相同的状态下重新实例化，而无需任何用于模型定义或训练的代码。
请注意，加载后模型权重可能具有不同的作用域名称。作用域名称包括模型/层名称，例如 "dense_1/kernel:0"。建议您使用层属性来访问特定变量，例如 model.get_layer("dense_1").kernel。
SavedModel 序列化格式
使用 save_format="tf"，模型和附加到它的所有可跟踪对象（例如层和变量）将保存为 TensorFlow SavedModel。模型配置、权重和优化器包含在 SavedModel 中。此外，对于附加到模型的每个 TF-Keras 层，SavedModel 存储
- 配置和元数据 - 例如名称、数据类型、可训练状态
- 跟踪的调用和损失函数，它们存储为 TensorFlow 子图。
跟踪的函数允许 SavedModel 格式保存和加载自定义层，而无需原始类定义。
您可以选择不保存跟踪的函数，方法是禁用 save_traces 选项。这将减少保存模型所需的时间以及输出 SavedModel 占用的磁盘空间。如果您启用此选项，则必须在加载模型时提供所有自定义类定义。请参阅 tf.keras.saving.load_model 中的 custom_objects 参数。
load_model 函数
tf_keras.saving.load_model(
filepath, custom_objects=None, compile=True, safe_mode=True, **kwargs
)
加载通过 model.save() 保存的模型。
参数
- filepath：
str或pathlib.Path对象，保存的模型文件的路径。 - custom_objects：可选字典，将名称（字符串）映射到反序列化期间要考虑的自定义类或函数。
- compile：布尔值，指示是否在加载后编译模型。
- safe_mode：布尔值，指示是否禁止不安全的
lambda反序列化。当safe_mode=False时，加载对象有可能触发任意代码执行。此参数仅适用于 TF-Keras v3 模型格式。默认为 True。
SavedModel 格式参数：options：仅适用于 SavedModel 格式。可选 tf.saved_model.LoadOptions 对象，指定 SavedModel 加载选项。
返回值
一个 TF-Keras 模型实例。如果原始模型已编译，并且设置了参数 compile=True，则返回的模型将被编译。否则，模型将保持未编译状态。
示例
model = tf.keras.Sequential([
tf.keras.layers.Dense(5, input_shape=(3,)),
tf.keras.layers.Softmax()])
model.save("model.keras")
loaded_model = tf.keras.saving.load_model("model.keras")
x = tf.random.uniform((10, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))
请注意，重新加载后，模型变量可能具有不同的名称值（var.name 属性，例如 "dense_1/kernel:0"）。建议您使用层属性来访问特定变量，例如 model.get_layer("dense_1").kernel。