Python tf.keras.models.save_model用法及代码示例

将模型另存为 TensorFlow SavedModel 或 HDF5 文件。

用法

tf.keras.models.save_model(
    model, filepath, overwrite=True, include_optimizer=True, save_format=None,
    signatures=None, options=None, save_traces=True
)

参数

model 要保存的 Keras 模型实例。
filepath
以下之一：
- 字符串或pathlib.Path 对象，保存模型的路径
- h5py.File 对象保存模型的位置
overwrite 我们是否应该覆盖目标位置的任何现有模型，或者通过手动提示询问用户。
include_optimizer 如果为 True，则将优化器的状态一起保存。
save_format 'tf' 或'h5'，表示是将模型保存到 Tensorflow SavedModel 还是 HDF5。在 TF 2.X 中默认为 'tf'，在 TF 1.X 中默认为 'h5'。
signatures 使用 SavedModel 保存的签名。仅适用于'tf' 格式。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，指定保存到 SavedModel 的选项。
save_traces (仅适用于 SavedModel 格式)启用后，SavedModel 将存储每一层的函数轨迹。这可以禁用，以便只存储每一层的配置。默认为 True 。禁用此函数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。

抛出

ImportError 如果保存格式为 hdf5，则 h5py 不可用。

有关详细信息，请参阅序列化和保存指南。

用法：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(5, input_shape=(3,)),
    tf.keras.layers.Softmax()])
model.save('/tmp/model')
loaded_model = tf.keras.models.load_model('/tmp/model')
x = tf.random.uniform((10, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))

SavedModel 和 HDF5 文件包含：

模型的配置(拓扑)
模型的权重
model's optimizer's 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，模型权重在加载后可能具有不同的作用域名称。范围名称包括模型/层名称，例如 "dense_1/kernel:0" 。建议您使用图层属性来访问特定变量，例如model.get_layer("dense_1").kernel 。

SavedModel 序列化格式

Keras SavedModel 使用tf.saved_model.save 保存模型和附加到模型的所有可跟踪对象(例如层和变量)。模型配置、权重和优化器保存在 SavedModel 中。此外，对于附加到模型的每个 Keras 层，SavedModel 存储：

配置和元数据——例如名称、数据类型、可训练状态
跟踪调用和损失函数，它们存储为 TensorFlow 子图。

跟踪函数允许 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 占用的磁盘空间量。如果启用此选项，则必须在加载模型时提供所有自定义类定义。请参阅 tf.keras.models.load_model 中的 custom_objects 参数。

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.keras.models.save_model。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。