零、綜述
-
- save/load weights
-
- save/load entire model
-
- saved_model
一、Save the weights
1.一次性保存所有參數
model.save_weights('./checkpoints/my_checkpoint')
2.加載權重
注意,用該方法保存模型只保存了參數,文件較小,加載較快,但是測試/部署時需要重建搭建網絡。
model = create_model() #定義網絡框架
model.load_weights('./checkpoints/my_checkpoint') #加載訓練好的權重
loss, acc = model.evaluate(test_images, test_labels)
network.save_weights('weights.ckpt') #保存權重
print('saved weights')
del network
network = Sequential([layers.Dense(256)...])#模型必須跟訓練時參數一模一樣
network.compile(optimizer=optimizer.Adam(lr=0.01),loss=tf.losses.CategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
network.load_weights('weights.ckpt') #加載後可從檢查點處繼續訓練
network.evaluate(ds_val)
二.Save the model
該方法把模型也保存了,文件較大,效率比較低。
#保存模型和參數
network.save('model.h5')
#刪除模型和參數
del network
#重新加載模型和參數
network = tf.keras.models.load_model('model.h5')
network.evaluate(x_val, y_val)
#三、ONNX
保存爲onnx,這是通用格式,python生成的可以用c++解析,一般python訓練而用C++部署。
注意,ONNX可以轉TensorRT,以部署到NVIDIA的嵌入式設備中.
tf.saved_model.save(m, '/tmp/saved_model/') #可以給其餘語言使用的
imported = tf.saved_model.load(path) #直接Load
f = imported.signatures["serving_default"]