3.9 模型保存与加载

3.9 模型保存与加载

TensorFlow Keras 高级 API：3.9 模型保存与加载

1. 模型保存方式

Keras 提供了以下几种主要的模型保存方式：

• 保存整个模型（save()/tf.keras.models.save_model()）： 将模型的结构、权重、优化器状态以及训练配置（损失函数、优化器等）完整地保存到一个文件中。这是最常用的保存方式，可以方便地恢复模型的完整状态。

• 仅保存模型权重（save_weights()）： 只保存模型的权重参数，不包含模型的结构和配置信息。这种方式适用于需要在不同模型结构中复用权重，或者手动构建模型结构的情况。

• 保存为 SavedModel 格式： TensorFlow 的通用模型保存格式，适用于跨平台部署，支持 TensorFlow Serving、TensorFlow Lite 等。

• 保存为 HDF5 格式（.h5）： 一种常用的文件格式，Keras 默认使用 HDF5 格式保存整个模型。

2. 保存整个模型

2.1 使用 model.save()

这是最简单、最常用的保存模型的方法。它将模型的结构、权重、优化器状态等所有信息保存到一个文件中。

代码示例：

import tensorflow as tf
# 构建一个简单的模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(1)
])
model.compile(optimizer='adam',
              loss='mse',
              metrics=['mae'])
# 训练模型 (这里使用随机数据模拟训练)
import numpy as np
x_train = np.random.random((100, 784))
y_train = np.random.random((100, 1))
model.fit(x_train, y_train, epochs=2)
# 保存整个模型到文件
model.save('my_model.keras') # 推荐使用 .keras 扩展名
​

代码详解：

• model.save('my_model.keras') 将整个模型保存到名为 my_model.keras 的文件中。

• Keras 3.0 及以后推荐使用 .keras 扩展名，之前的版本常用 .h5。

• 保存的文件包含了模型的结构、权重、优化器状态等所有信息。

2.2 使用 tf.keras.models.save_model()

tf.keras.models.save_model() 是 TensorFlow 提供的更底层的保存模型函数，功能与 model.save() 类似。

代码示例：

import tensorflow as tf
# 构建一个简单的模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(1)
])
model.compile(optimizer='adam',
              loss='mse',
              metrics=['mae'])
# 训练模型 (这里使用随机数据模拟训练)
import numpy as np
x_train = np.random.random((100, 784))
y_train = np.random.random((100, 1))
model.fit(x_train, y_train, epochs=2)
# 保存整个模型到文件
tf.keras.models.save_model(model, 'my_model_tf.keras')
​

代码详解：

• tf.keras.models.save_model(model, 'my_model_tf.keras') 将模型 model 保存到名为 my_model_tf.keras 的文件中。

3. 加载整个模型

3.1 使用 tf.keras.models.load_model()

使用 tf.keras.models.load_model() 可以从保存的文件中加载整个模型。

代码示例：

import tensorflow as tf
# 加载模型
loaded_model = tf.keras.models.load_model('my_model.keras')
# 验证模型
loaded_model.summary()
# 使用加载的模型进行预测
import numpy as np
x_test = np.random.random((10, 784))
predictions = loaded_model.predict(x_test)
print(predictions)
​

代码详解：

• loaded_model = tf.keras.models.load_model('my_model.keras') 从 my_model.keras 文件中加载模型。

• loaded_model.summary() 可以查看加载的模型的结构。

• 加载的模型可以直接用于预测。

4. 仅保存和加载模型权重

4.1 保存模型权重

使用 model.save_weights() 可以只保存模型的权重参数。

代码示例：

import tensorflow as tf
# 构建一个简单的模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(1)
])
model.compile(optimizer='adam',
              loss='mse',
              metrics=['mae'])
# 训练模型 (这里使用随机数据模拟训练)
import numpy as np
x_train = np.random.random((100, 784))
y_train = np.random.random((100, 1))
model.fit(x_train, y_train, epochs=2)
# 保存模型权重到文件
model.save_weights('my_model_weights.h5')
​

代码详解：

• model.save_weights('my_model_weights.h5') 将模型的权重保存到名为 my_model_weights.h5 的文件中。

• 这里使用 .h5 作为扩展名，因为权重文件通常以 HDF5 格式保存。

4.2 加载模型权重

加载模型权重需要先构建一个与保存权重时结构相同的模型，然后使用 model.load_weights() 加载权重。

代码示例：

import tensorflow as tf
# 构建与保存权重时结构相同的模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(1)
])
# 编译模型 (必须在加载权重之前编译模型)
model.compile(optimizer='adam',
              loss='mse',
              metrics=['mae'])
# 加载模型权重
model.load_weights('my_model_weights.h5')
# 验证模型
model.summary()
# 使用加载的模型进行预测
import numpy as np
x_test = np.random.random((10, 784))
predictions = model.predict(x_test)
print(predictions)
​

代码详解：

• 首先需要构建一个与保存权重时结构完全相同的模型。

• 必须在加载权重之前编译模型，否则会报错。

• model.load_weights('my_model_weights.h5') 从 my_model_weights.h5 文件中加载权重。

• 加载权重后，模型就可以用于预测了。

5. 保存为 SavedModel 格式

SavedModel 是一种 TensorFlow 的通用模型保存格式，适用于跨平台部署，支持 TensorFlow Serving、TensorFlow Lite 等。

代码示例：

import tensorflow as tf
# 构建一个简单的模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(1)
])
model.compile(optimizer='adam',
              loss='mse',
              metrics=['mae'])
# 训练模型 (这里使用随机数据模拟训练)
import numpy as np
x_train = np.random.random((100, 784))
y_train = np.random.random((100, 1))
model.fit(x_train, y_train, epochs=2)
# 保存模型为 SavedModel 格式
model.save('my_saved_model', save_format='tf')
​

代码详解：

• model.save('my_saved_model', save_format='tf') 将模型保存为 SavedModel 格式，保存在名为 my_saved_model 的目录下。

• save_format='tf' 指定保存格式为 TensorFlow 的 SavedModel 格式。

加载 SavedModel 格式的模型：

import tensorflow as tf
# 加载 SavedModel 格式的模型
loaded_model = tf.keras.models.load_model('my_saved_model')
# 验证模型
loaded_model.summary()
# 使用加载的模型进行预测
import numpy as np
x_test = np.random.random((10, 784))
predictions = loaded_model.predict(x_test)
print(predictions)
​

6. 模型保存与加载流程图

可以使用 Mermaid 图表来可视化模型保存与加载的流程：

图表解释：

1. 训练模型： 首先需要训练一个模型。

2. 保存模型： 可以选择保存整个模型或仅保存权重。

3. 保存文件： 保存整个模型会生成包含模型结构、权重和配置的文件，例如 .keras、.h5 或 SavedModel 格式的目录。仅保存权重会生成权重文件，通常是 .h5 格式。

4. 加载模型： 加载模型的方式取决于保存的方式。

5. 构建相同结构的模型： 如果只保存了权重，需要先构建一个与保存权重时结构相同的模型。

6. 加载权重： 将权重加载到构建的模型中。

7. 使用加载的模型进行预测/评估： 加载后的模型可以用于预测或评估。

7. 总结

Keras 提供了多种灵活的模型保存与加载方式，可以根据实际需求选择合适的方法。

• model.save() / tf.keras.models.save_model(): 保存整个模型，方便快捷，推荐使用。

• model.save_weights(): 只保存权重，适用于需要在不同模型结构中复用权重的情况。

• SavedModel 格式: 适用于跨平台部署。

在实际应用中，建议使用 model.save() 或 tf.keras.models.save_model() 保存整个模型，因为它可以保存模型的完整状态，方便后续使用。如果需要灵活地控制模型的结构和权重，可以选择只保存权重的方式。

希望本文能够帮助你更好地理解和使用 Keras 的模型保存与加载功能。