3.8 模型保存与加载：把排程图存档

3.8 模型保存与加载：把排程图存档

本节摘要：训练成果要交接给两个下游：继续训练的自己与推理上线的服务。本节讲清两种存法（只存权重、存全模型）与两种格式（Keras 原生格式、SavedModel 目录）的能力边界：权重文件小而快但必须先有结构代码，全模型存档自包含但耦合框架版本。选型的原则是"交付给谁"——给训练续档存权重，给部署与跨语言消费存 SavedModel，5.3 节的部署线全部以它为入口。

学习目标

阅读完本节，你应当能够：

1. 区分权重存档与全模型存档的能力差异，按下游需求选对存法；
2. 保存与加载 Keras 原生格式与 SavedModel 目录；
3. 解释加载后必须重新 compile 才能继续训练的原因；
4. 检查一个 SavedModel 目录的内容并核对签名。

两种存法，两种下游

存档的粒度有两条线。只存权重：把所有 Variable 的数值序列化，体积小、速度快，但加载端必须先有同结构的模型代码——适合"结构由代码定义、数值单独交接"的内部协作。存全模型：结构、权重、优化器状态、compile 配置一起打包，加载端一行 restore，不需要任何建模代码——适合交接给没有源码的一方，或推上部署线。

import tensorflow as tf
import numpy as np
from sklearn.datasets import fetch_california_housing

housing = fetch_california_housing()
X, y = housing.data.astype("float32"), housing.target.astype("float32")

m = tf.keras.Sequential([tf.keras.layers.Input(shape=(8,)),
                         tf.keras.layers.Dense(64, activation="relu"),
                         tf.keras.layers.Dense(1)], name="house_net")
m.compile(optimizer="adam", loss="mse")
m.fit(X[:6000], y[:6000], epochs=3, batch_size=64, verbose=0)

# 存法一：只存权重
m.save_weights("house.weights.h5")
print("weights saved")
# 输出：weights saved
# 单个文件，只有参数数值

# 存法二：存全模型（Keras 原生格式）
m.save("house_full.keras")
print("full model saved")
# 输出：full model saved
# 单个 .keras 文件：结构加权重加优化器状态加 compile 配置
​

加载端的两种姿势

加载权重要求加载端先构造出结构完全一致的模型——层的类型、顺序、形状都要对上，然后 load_weights 按名字与顺序匹配。加载全模型则一行搞定，连 compile 状态都在：

# 姿势一：先建结构，再灌权重
reborn = tf.keras.Sequential([tf.keras.layers.Input(shape=(8,)),
                              tf.keras.layers.Dense(64, activation="relu"),
                              tf.keras.layers.Dense(1)])
reborn.load_weights("house.weights.h5")
loss = reborn.evaluate(X[9000:10000], y[9000:10000], verbose=0)
print(f"weights-only loss: {loss:.3f}")
# 输出示例：weights-only loss: 0.581
# 结构对不上时这里直接报错——按形状逐层核对

# 姿势二：全模型恢复
full = tf.keras.models.load_model("house_full.keras")
loss2 = full.evaluate(X[9000:10000], y[9000:10000], verbose=0)
print(f"full-model loss: {loss2:.3f}")
# 输出示例：full-model loss: 0.581
# 两路数值一致——存档的正确性就体现在这里
​

继续训练的关键动作：只存权重的档要重新 compile。权重文件里没有优化器状态与损失配置，加载后的模型对"怎么训练"一无所知；全模型档虽带 compile 配置，跨版本恢复后也建议重编译一次以确保行为明确。

reborn.compile(optimizer=tf.keras.optimizers.Adam(1e-4), loss="mse")
h = reborn.fit(X[:6000], y[:6000], epochs=1, batch_size=64, verbose=0)
print("recompiled and continued")
# 输出：recompiled and continued
# 注意 Adam 的动量状态是新的——从头热身，损失曲线可能先小跳一下
​

SavedModel：部署线的通用通货

SavedModel 是目录格式：结构序列化、权重存成检查点、外加一份"签名表"声明可调用的函数与输入输出规格。它是 TensorFlow Serving、Lite 转换、tfjs 转换共同接受的入口格式——5.3 节的三条部署线全部从它出发。

# 导出 SavedModel 目录
m.export("serving_dir/house/1")
print("savedmodel exported")
# 输出：savedmodel exported
# 目录内含结构、权重与默认服务签名

# 用 TFSMLayer 从 SavedModel 恢复为可推理层（结构与配置不回迁）
reloaded = tf.keras.layers.TFSMLayer("serving_dir/house/1",
                                     call_endpoint="serving_default")
sample = tf.constant(X[9000:9002])
out = reloaded(sample)
print(out)
# 输出示例：
# {'output_0': <tf.Tensor: shape=(2, 1), dtype=float32, numpy=...>}
# 返回是字典——服务签名的键名，部署端按名取值
​

SavedModel 与 .keras 全模型档的分工：前者是面向部署的"服务合同"，签名固定、跨语言可调；后者是面向训练工作流的"工作台快照"，连优化器状态都齐。存档文件名与目录只作为程序内的字符串字面量使用，部署阶段的规范做法是把导出目录交给版本化管理，按版本号递增。

选型速查

⚠️ 常见坑：给 Sequential 模型 load_weights 报形状不匹配，多半是两个 Sequential 的 Input 形状或层数不一致——权重按层序匹配，少一层或多一层全盘错位。给关键层起 name 再存档，加载端核对名单即可提前暴露。

💡 关键直觉：存档格式是为下游选的，不是为习惯选的。先问"这份档交给谁、在什么环境打开"，再决定只存权重、全模型，还是导出 SavedModel。

本节要点回顾

• 两种存法：权重档小而快但需结构代码；全模型档自包含。
• 两种格式：.keras 面向训练工作流；SavedModel 面向部署与转换。
• 续训必 compile：权重档无优化器状态，重编译后 Adam 重新热身。
• 签名是合同：SavedModel 的服务签名按名取值，部署端照章调用。
• 选型看下游：续训、交接、Serving、端侧转换，四路四选。

第 3 章到站。第 4 章把装配对象换成各家族的网络结构。