【TensorFlow】模型保存

最新推荐文章于 2025-05-19 20:55:27 发布
最新推荐文章于 2025-05-19 20:55:27 发布
阅读量238 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： opencv mysql tensorflow 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ZHANGHUIHUIA/article/details/84554073
本文介绍如何使用TensorFlow的Saver类保存模型。在会话开始时初始化Saver对象，并在训练结束后调用save方法，将模型保存为ckpt格式。保存路径位于脚本所在目录。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

会话的前面加：saver=tf.train.Saver()
会话里面的最下方加： saver.save(sess,‘ckpt/XXHG.ckpt’)
模型会直接保存在和脚本同一路径下，
注意：模型的格式是ckpt

Tensorflow模型保存与预测
冬泉谷
02-04 7348
tensorflow 模型保存为savedModel形式，包括Estimator和Keras形式训练和导出得到，用于后续测试和模型部署
TensorFlow模型保存与加载实战教程.doc
最新发布
08-12
TensorFlow模型保存与加载实战教程.doc
数学建模存贮模型
10-26
数学建模模型，
保存模型
weixin_43758551的博客
04-17 1670
我们训练好了一个Model 以后总需要保存和再次预测, 所以保存和读取我们的sklearn model也是同样重要的一步。这次主要介绍两种保存Model的模块pickle与joblib。 使用 pickle 保存 首先简单建立与训练一个SVCModel。 from sklearn import svm from sklearn import datasets clf = svm.SVC() ir...
深度学习————模型保存与部署
2403_88150975的博客
05-19 1317
当你训练好一个深度学习模型后，它会拥有“学习到的参数”，这些参数（权重、偏置等）构成了模型的“知识”。如果不保存这些参数，那么训练好的模型在关闭程序后就会丢失。所以，模型保存就是将训练好的参数（或整个模型）保存到磁盘上，供之后加载使用或部署。state_dictTorchScript 是 PyTorch 的一个中间表示，它允许模型以静态图的形式保存并运行。这使得：可脱离 Python 环境运行可通过C++ API部署支持推理优化（如。
30.模型保存
potato123232的博客
11-03 1342
这一张我们主要介绍一下模型保存的方式，我们训练fashion_mnist这个数据集作为例子 首先导入库 之后导入数据集 归一化 建立模型 编译模型 训练模型，我们训练三个epoch就行 之后我们评估一下这个模型 其中有一个参数verbose，它有两个可选值，0或1，0是不显示，1是显示，默认为1 下面我们来保存模型，模型有三个部分组成，分别是 模型权重(每一层的可训练参数是多少) 模型架构(神经网络的每一层是什么) 优化器配置(神经网络的编译情况)
模型的保存方式
悠悠小船长的博客
09-17 571
保存模型方式
五、模型保存
qq_43283527的博客
01-29 1425
Tensorflow Model 模型保存的两种方式 Checkpoints：只保存模型的参数，不保存模型的训练过程 使用 tf.keras.Model.save_weights 使用 tf.train.Checkpoint() 或者 tf.train.CheckpointManager() SavedModel format,保存完整的tensorflow程序，适用于模型部署 tensorflow serving tf.saved_model tf.keras.Model 构建模型 imp
TensorFlow模型保存和提取的方法
09-20
以下是对TensorFlow模型保存和提取的详细解释： 首先，TensorFlow提供了`tf.train.Saver`类来实现模型的保存和恢复。在保存模型时，我们创建一个`Saver`对象，并调用其`save`方法，如`saver.save(sess,"Model/model...
Tensorflow模型保存与调用
01-06
1、什么是PB文件  PB文件表示MetaGraph的protocal buffer格式的文件，MetaGraph包括计算图，数据流，以及相关的...2、tensorflow模型保存为pb文件示例 示例代码如下 import tensorflow.compat.v1 as tf tf.disable_
11 保存模型
和而不流
07-02 771
保存模型保存模型 pickle joblib 总算到了最后一次的课程了,我们训练好了一个Model 以后总需要保存和再次预测, 所以保存和读取我们的sklearn model也是同样重要的一步。sklearn官方文档主要介绍两种保存Model的模块pickle与joblib。1 pickle首先简单建立与训练一个SVCModel。from sklearn import svm from sklear
数学建模存储模型
11-12
数学建模存贮模型.pdf
保存和恢复模型
weixin_33843947的博客
04-29 338
模型进度可在训练期间和之后保存。这意味着，您可以从上次暂停的地方继续训练模型，避免训练时间过长。此外，可以保存意味着您可以分享模型，而他人可以对您的工作成果进行再创作。发布研究模型和相关技术时，大部分机器学习从业者会分享以下内容：用于创建模型的代码，以及模型的训练权重或参数分享此类数据有助于他人了解模型的工作原理并尝试使用新数据自行尝试模型。注意：请谨慎使用不可信的代码 - TensorFlow ...
pytorch 保存模型
Lucy_wzw的博客
11-28 1024
在 PyTorch 中，保存和加载模型通常使用torch.save和torch.load。
三、存贮模型
Hush
09-06 5743
一、不允许缺货的存贮模型 二、允许缺货的存贮模型 三、优化模型的一般意义 优化模型的数学描述：最优化（ optimization）是指在给定的约束条件（constraint）下，找出一个决策变量（decision variable）的值，使得被称为目标函数（objective function）的表达愿望尺度的函数达到最小或最大值。 优化模型的...
【Pytorch】Model存储
liudongdong_jlu
07-02 725
1. 保存加载模型权重 pytorch保存数据的格式为.t7文件或者.pth文件，t7文件是沿用torch7中读取模型权重的方式。而pth文件是python中存储文件的常用格式。而在keras中则是使用.h5文件。 # 保存模型示例代码 print('===> Saving models...') state = { 'state': model.state_dict(), 'epoch': epoch # 将epoch一并保存 } if not
数学建模——存贮模型
freshman的博客
08-30 9440
数学建模的贮存模型
Keras模型保存笔记
固本培元的专栏
10-31 546
  整理自Keras官方文档 https://keras-cn.readthedocs.io/en/latest/for_beginners/FAQ/#save_model https://keras-cn.readthedocs.io/en/latest/other/callbacks/ 1.Keras保存训练好的模型 1) 使用model.save(filepath)将Keras模型...
存贮论（一）：基本概念、无约束的确定型存贮模型
热门推荐
冷月无声的博客
05-06 1万+
存储论系列博文： 存贮论（一）：基本概念、无约束的确定型存贮模型 存储论（二）：有约束的确定型存贮模型、单周期随机库存模型 目录 1 存贮模型中的基本概念 1．存贮问题的基本要素 2．存贮模型的基本费用 3．存贮策略 2 无约束的确定型存贮模型 2.1 模型一：不允许缺货，补充时间极短—基本的经济订购批量存贮模型 2.2 模型二：允许缺货，补充时间较长...
tensorflow模型保存
03-20
<think>好的，我现在需要帮助用户了解如何在TensorFlow中保存模型的最佳实践。首先，我得回顾一下已有的知识，特别是参考提供的引用资料。 用户提到的引用[1]中提到了三种保存方式：张量方式、网络方式（HDF5）和SavedModel方式。引用[2]详细说明了SavedModel的规范，特别是在生产部署中使用TensorFlow Serving的情况。引用[5]提到了通过检查点保存模型，可能涉及checkpoint文件的管理。 首先，我应该整理不同的保存方法，并比较它们的适用场景。比如，HDF5适合Keras模型的保存，而SavedModel更适合部署到生产环境。另外，检查点方式可能在训练过程中用于恢复模型，防止中断。 需要确保覆盖主要的保存方式：Checkpoint回调、手动保存权重、保存整个模型为HDF5，以及导出为SavedModel格式。可能还要提到自定义训练循环中的处理，比如引用[3]中提到的自定义损失和动态学习率的情况，这时候可能需要更底层的保存方法。 另外，最佳实践部分需要考虑版本兼容性，比如引用[2]中提到的TensorFlow版本和Docker的整合，可能需要注意版本匹配。还要提醒用户关于自定义对象的问题，比如自定义层或损失函数，保存时需要正确加载。 可能还需要提到模型部署时的优化，比如调整batch参数，这在引用[2]的生产部署中有涉及。此外，性能分析如引用[4]中的扩展性问题，可能影响保存方式的选择，比如使用SavedModel提高部署效率。 最后，生成相关问题时要围绕保存方法、恢复、最佳实践、部署等，确保问题覆盖用户可能的后续疑问。</think>在 TensorFlow 中保存模型的最佳实践主要涉及多种场景和工具的选择，以下是分步说明： --- ### 一、Checkpoint 回调：训练中自动保存 **适用场景**：训练过程中定期保存权重，防止意外中断。 1. 使用 `ModelCheckpoint` 回调： ```python from tensorflow.keras.callbacks import ModelCheckpoint checkpoint = ModelCheckpoint( 'model_weights.h5', # 保存路径 save_weights_only=True, # 仅保存权重 save_best_only=True, # 只保留最优模型 monitor='val_loss' # 监控验证损失 ) model.fit(..., callbacks=[checkpoint]) ``` 2. **恢复训练**： ```python model.load_weights('model_weights.h5') ``` --- ### 二、手动保存权重或完整模型 1. **仅保存权重**（轻量级）： ```python model.save_weights('custom_weights.h5') ``` 2. **保存整个模型**（含结构和优化器状态）： ```python model.save('full_model.h5') # HDF5格式 ``` 恢复时直接加载： ```python from tensorflow.keras.models import load_model loaded_model = load_model('full_model.h5') ``` --- ### 三、SavedModel 格式：生产级部署 **适用场景**：与 TensorFlow Serving、Docker 等工具集成[^2]。 1. 导出 SavedModel： ```python model.save('saved_model', save_format='tf') # 默认格式 ``` 目录结构： ``` saved_model/ ├── assets/ ├── variables/ └── saved_model.pb ``` 2. **加载和验证**： ```python imported_model = tf.keras.models.load_model('saved_model') ``` --- ### 四、自定义训练循环的保存 若使用 `tf.GradientTape` 自定义训练逻辑（如动态学习率调整[^3]）： 1. 创建检查点管理器： ```python checkpoint = tf.train.Checkpoint(model=model, optimizer=optimizer) manager = tf.train.CheckpointManager(checkpoint, './checkpoints', max_to_keep=3) ``` 2. 每 N 步保存一次： ```python if step % 100 == 0: manager.save() ``` --- ### 五、最佳实践总结 1. **版本匹配**：确保 TensorFlow 版本与 Serving/Docker 镜像一致（如 2.12.0）。 2. **自定义对象处理**：若模型包含自定义层/损失，加载时需通过 `custom_objects` 参数指定[^1]。 3. **生产优化**：调整 `batch_size` 和超参数平衡延迟与吞吐量。 4. **格式选择**： - 实验阶段 → HDF5 - 生产部署 → SavedModel - 持续训练 → Checkpoint ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值