方法1：只保存模型的权重和偏置
这种方法不会保存整个网络的结构，只是保存模型的权重和偏置，所以在后期恢复模型之前，必须手动创建和之前模型一模一样的模型，以保证权重和偏置的维度和保存之前的相同。
tf.keras.model类中的save_weights方法和load_weights方法，参数解释我就直接搬运官网的内容了。
save_weights(
filepath,
overwrite=True,
save_format=None
)
Arguments:
filepath: String, path to the file to save the weights to. When
在TensorFlow 2.0中，保存和恢复模型是训练过程中的重要环节，它使得我们可以在训练中断后继续训练，或者在新数据上部署已经训练好的模型。本篇将详细介绍三种方法来保存和恢复TensorFlow模型，特别是关注如何只保存模型的权重和偏置。
方法1：只保存权重和偏置
这种方法适用于当你不关心模型结构，但需要保留模型的训练状态。通过`tf.keras.Model`类中的`save_weights`和`load_weights`方法来实现。
1. `save_weights`方法：
- `filepath`: 保存权重的路径。如果使用TensorFlow格式，会生成多个检查点文件，文件名以该路径为前缀。
- `overwrite`: 是否覆盖已存在的文件。默认为True，如果设置为False，会在用户提示下进行操作。
- `save_format`: 可以是'tf'或'h5'。如果文件路径以'.h5'或'.keras'结尾且`save_format`为None，则默认为HDF5格式。
```python
model.save_weights('./save_weights/my_save_weights')
```
2. `load_weights`方法：
- `filepath`: 加载权重的路径。
- `by_name`: 是否按名称加载权重。默认为False，意味着按顺序加载。如果设置为True，会根据层名加载权重。
```python
model.load_weights('./save_weights/my_save_weights')
```
示例代码：
```python
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets, layers, optimizers
# 加载数据
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# 创建模型
def create_model():
return tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
model = create_model()
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(x=x_train, y=y_train, epochs=1)
# 保存权重
model.save_weights('./save_weights/my_save_weights')
# 删除并重新创建模型
del model
model = create_model()
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 加载权重
model.load_weights('./save_weights/my_save_weights')
# 测试恢复后的模型
loss, acc = model.evaluate(x_test, y_test)
print("Restored model, accuracy: {:.2f}%".format(100 * acc))
```
这种方法的局限在于，由于没有保存模型结构，所以在恢复时必须确保重建的模型结构与原始模型完全一致，否则无法正确加载权重。
除了只保存权重和偏置外，还有其他两种保存模型的方法：
方法2：保存整个模型（HDF5格式）
使用`model.save()`方法，可以保存模型的完整结构、配置以及权重，便于直接恢复。
方法3：使用SavedModel API
TensorFlow的SavedModel API可以保存模型的完整结构、权重以及元数据，支持跨语言和跨版本的恢复。
总结来说，选择保存模型的方式应根据实际需求进行。如果你只关心模型的训练状态，那么只保存权重和偏置就足够了；如果需要完整模型以应对未来可能的结构调整，可以选择HDF5格式或SavedModel API。无论哪种方式，确保在恢复模型时匹配好相应的结构和权重是至关重要的。
