[人工智能]TF2.x的keras模型保存与加载

传送门：官方文档
这里只想简单记录应用时遇到的一些坑。

keras模型的保存

假设有模型如下：
keras模型的有三种形式：

1. 使用model.save
   此种方式可以hdf5格式或者saved_model格式保存整个模型。

import tensorflow as tf
from tensorflow import keras

model = keras.applications.ResNet50()
# 以h5的形式保存整个模型，
# 如果只是想部署，可以设置include_optimizer=False,减少模型体积
model.save("model.hdf5", include_optimizer=False, save_format="h5)
# 以saved_model形式保存模型,需要将save_format设置为tf
model.save("saved_model/1", include_optimizer=False, save_format="tf")
# save是默认保存成h5格式

2. 使用model.save_weights
   这种方式只保存模型的参数，并不保存模型的结构。

import tensorflow as tf
from tensorflow import keras

model = keras.applications.ResNet50()
# save_weights是默认保存成h5格式
model.save_weights("weights.hdf5", save_format="h5")
# 保存为tf.train.Checkpoint格式
model.save_weights("model.ckpt",  save_format="tf")

3. 使用tf.saved_model.save
   以saved_model格式保存整个模型

import tensorflow as tf
from tensorflow import keras

model = keras.applications.ResNet50()
tf.saved_model.save(model, "saved_model/2")

keras 模型的加载

对应保存方式的模型加载

keras模型保存成saved_model格式，虽可以使用keras.models.load_model或者tf.saved_model.load进行加载，但都会报类似下面的warning，并且会严重拖慢模型加载的速度，但h5格式的模型通过keras.models.load_model不会出现此类问题，很奇怪。

WARNING:tensorflow:Importing a function (__inference_block2a_expand_activation_layer_call_and_return_conditional_losses_xxxxx) with ops with custom gradients. Will likely fail if a gradient is requested.