Python tf.keras.models.save_model用法及代碼示例

將模型另存為 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
)

參數

model 要保存的 Keras 模型實例。
filepath
以下之一：
- 字符串或pathlib.Path 對象，保存模型的路徑
- h5py.File 對象保存模型的位置
overwrite 我們是否應該覆蓋目標位置的任何現有模型，或者通過手動提示詢問用戶。
include_optimizer 如果為 True，則將優化器的狀態一起保存。
save_format 'tf' 或'h5'，表示是將模型保存到 Tensorflow SavedModel 還是 HDF5。在 TF 2.X 中默認為 'tf'，在 TF 1.X 中默認為 'h5'。
signatures 使用 SavedModel 保存的簽名。僅適用於'tf' 格式。有關詳細信息，請參閱tf.saved_model.save 中的signatures 參數。
options (僅適用於 SavedModel 格式)tf.saved_model.SaveOptions 對象，指定保存到 SavedModel 的選項。
save_traces (僅適用於 SavedModel 格式)啟用後，SavedModel 將存儲每一層的函數軌跡。這可以禁用，以便隻存儲每一層的配置。默認為 True 。禁用此函數將減少序列化時間並減小文件大小，但它要求所有自定義層/模型都實現get_config() 方法。

拋出

ImportError 如果保存格式為 hdf5，則 h5py 不可用。

有關詳細信息，請參閱序列化和保存指南。

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(拓撲)
模型的權重
model's optimizer's 狀態(如果有)

因此，模型可以在完全相同的狀態下重新實例化，而無需任何用於模型定義或訓練的代碼。

請注意，模型權重在加載後可能具有不同的作用域名稱。範圍名稱包括模型/層名稱，例如 "dense_1/kernel:0" 。建議您使用圖層屬性來訪問特定變量，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蹤對象(例如層和變量)。模型配置、權重和優化器保存在 SavedModel 中。此外，對於附加到模型的每個 Keras 層，SavedModel 存儲：

配置和元數據——例如名稱、數據類型、可訓練狀態
跟蹤調用和損失函數，它們存儲為 TensorFlow 子圖。

跟蹤函數允許 SavedModel 格式在沒有原始類定義的情況下保存和加載自定義層。

您可以通過禁用save_traces 選項來選擇不保存跟蹤的函數。這將減少保存模型所需的時間以及輸出 SavedModel 占用的磁盤空間量。如果啟用此選項，則必須在加載模型時提供所有自定義類定義。請參閱 tf.keras.models.load_model 中的 custom_objects 參數。

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.keras.models.save_model。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。