TensorFlow2 Python深度学习 - 模型保存与加载

锋哥原创的TensorFlow2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1X5xVz6E4w/

课程介绍

本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

TensorFlow2 Python深度学习 - 模型保存与加载

在 TensorFlow 2 中，模型的保存和加载是非常简便的操作，使用了 tf.keras API 进行高效管理。TensorFlow 支持保存和加载完整的模型，包括权重、优化器、训练配置等，使得模型可以在不同的环境中被复用、共享或部署。

TensorFlow2 keras提供保存和加载完整模型（包括模型架构、权重、训练配置等)的save()和load_model()方法来实现模型保存和加载。

我们看一个具体示例：

通过save()方法保存模型，注意保存的模型文件后缀是.keras

复制代码

import tensorflow as tf
from keras import Input, layers
from sklearn.datasets import load_iris

# 1，加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
y = iris.target  # 标签：0-Setosa, 1-Versicolour, 2-Virginica

# 2,构建分类模型
model = tf.keras.models.Sequential([
    Input(shape=(X.shape[1],)),  # 输入层
    layers.Dense(16, activation='relu'),  # 隐藏层
    layers.Dense(3, activation='softmax')  # 输出层 3个神经元，对应3个类别
])

# 3,模型编译
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',  # 多分类交叉熵损失函数
    metrics=['accuracy']  # 评估指标：准确率
)

# 4,模型保存
model.save('iris_model.keras')

运行完成后，先生成iris_model.keras模型文件：

然后其他地方需要用到这个模型定义的时候，我们只需要使用keras提供的load_model()方法加载这个模型文件即可。

复制代码

from keras.src.saving import load_model
from sklearn.datasets import load_iris

# 1，加载鸢尾花数据集
iris = load_iris()
X = iris.data  # 特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度
y = iris.target  # 标签：0-Setosa, 1-Versicolour, 2-Virginica

# 2,加载模型
model = load_model('iris_model.keras')

# 4,模型训练
history = model.fit(X, y, epochs=100, batch_size=32, verbose=1)
print(f"最终损失: {history.history['loss'][-1]:.4f}, 最终准确率: {history.history['accuracy'][-1]:.4f}")

我们来运行测试下：