整个模型的保存与加载

[源代码]

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，或通过交互式提示询问用户。
• save_format：可以是 "keras"、"tf" 或 "h5"，指示是将模型保存在原生 TF-Keras 格式 (.keras)、TensorFlow SavedModel 格式（下文简称 "SavedModel"）还是旧版 HDF5 格式 (.h5)。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。指定 SavedModel 保存选项的 tf.saved_model.SaveOptions 对象。 save_traces：仅适用于 SavedModel 格式。启用后，SavedModel 将存储每个层的函数跟踪。可以禁用此功能，以便仅存储每个层的配置。默认为 True。禁用此功能将缩短序列化时间并减小文件大小，但这要求所有自定义层/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。

[源代码]

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，或通过交互式提示询问用户。
• save_format：可以是 "keras"、"tf" 或 "h5"，指示是将模型保存在原生 TF-Keras 格式 (.keras)、TensorFlow SavedModel 格式（下文简称 "SavedModel"）还是旧版 HDF5 格式 (.h5)。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。指定 SavedModel 保存选项的 tf.saved_model.SaveOptions 对象。 save_traces：仅适用于 SavedModel 格式。启用后，SavedModel 将存储每个层的函数跟踪。可以禁用此功能，以便仅存储每个层的配置。默认为 True。禁用此功能将缩短序列化时间并减小文件大小，但这要求所有自定义层/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
• 模型的优化器状态（如果存在）

因此，可以在完全相同的状态下重新实例化模型，而无需用于模型定义或训练的任何代码。

请注意，加载后模型权重可能具有不同的范围名称（例如 "dense_1/kernel:0"）。建议使用层属性访问特定变量，例如 model.get_layer("dense_1").kernel。

SavedModel 序列化格式

使用 save_format="tf"，模型及其附带的所有可跟踪对象（例如层和变量）将保存为 TensorFlow SavedModel。模型配置、权重和优化器都包含在 SavedModel 中。此外，对于附属于模型的每个 TF-Keras 层，SavedModel 会存储

• 配置和元数据 – 例如名称、dtype、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 格式在没有原始类定义的情况下保存和加载自定义层。

您可以通过禁用 save_traces 选项来选择不保存跟踪的函数。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。如果启用此选项，则在加载模型时**必须**提供所有自定义类定义。请参阅 tf.keras.saving.load_model 中的 custom_objects 参数。

[源代码]

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，加载后是否编译模型。
• safe_mode：布尔值，是否禁止不安全的 lambda 反序列化。当 safe_mode=False 时，加载对象有触发任意代码执行的风险。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。可选的 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，则返回的模型也将编译。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"）。建议使用层属性访问特定变量，例如 model.get_layer("dense_1").kernel。