TensorFlow SavedModel保存和加载模型

最新推荐文章于 2025-09-30 13:36:53 发布
原创 最新推荐文章于 2025-09-30 13:36:53 发布 · 2.5w 阅读 · 24 ·
CC 4.0 BY-SA版权
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。

本文详细介绍了如何使用tf.train.Saver在TensorFlow中保存和加载模型，包括初始化saver、保存模型和变量、加载模型以及加载变量的步骤。通过设置max_to_keep和keep_checkpoint_every_n_hours参数来管理保存的断点文件。此外，还提供了如何使用加载的模型进行fine-tune的示例，特别是针对VGG模型。
最低0.47元/天 解锁文章
Tensorflow SavedModel——将你的深度学习模型保存为独立文件
AI天才研究院
09-03 1428
作者：禅与计算机程序设计艺术 1.简介 随着深度学习技术的迅速发展，越来越多的开发者、研究人员和AI企业都开始把自己开发的机器学习模型部署到生产环境中，并提供在线服务。其中一个重要的方式就是把模型按照某种标准化的协议存储下来，这样才能被其他开发者复用或调用。TensorFlow 1.x版本就提供了一种标
Python领域TensorFlow的模型保存与加载
Python编程之道的博客
05-23 824
本文旨在系统性地讲解TensorFlow框架中模型保存与加载的完整技术体系，覆盖从基础概念到高级应用的各个方面。重点讨论三种主流保存格式的技术原理、实现方式和使用场景，帮助开发者根据实际需求选择最合适的模型持久化方案。文章首先介绍模型保存与加载的核心概念，然后深入分析三种主要保存格式的技术原理，接着通过实际代码演示完整工作流程，最后讨论实际应用场景和未来发展趋势。SavedModel：TensorFlow的标准序列化格式，包含完整的模型架构、权重和计算图HDF5。
TensorFlow saved_model 模块
thriving_fcl的博客
07-17 4万+
saved_model模块主要用于TensorFlow Serving。TF Serving是一个将训练好的模型部署至生产环境的系统，主要的优点在于可以保持Server端与API不变的情况下，部署新的算法或进行试验，同时还有很高的性能。保持Server端与API不变有什么好处呢？有很多好处，我只从我体会的一个方面举例子说明一下，比如我们需要部署一个文本分类模型
tensorflow模型保存（三）——tensorflow1.x版本的savedmodel格式的模型保存与加载
MIss-Y的博客
05-06 1万+
前言：前面的两篇文章已经分别介绍了高层API与低层API关于各种模型的保存，比如在tensorflow2.x中如何保存checkpoint与savedmodel，在tensorflow1.x中如何保存checkpoint，本文着重介绍在tensorflow1.x版本中怎么保存savedmodel。 要想恢复模型并能够正确的加载，最核心的就在于要给模型的输入与输出起一...
《玩转Git》[基础篇6]：GitHub 使用技巧
最新发布
专注大数据、云计算、人工智能、机器人领域技术传播
09-30 1649
如果你在使用 GitHub 的过程中还有其他独特的技巧，或者在实践这些技巧时遇到了问题，欢迎在评论区留言分享或提问。让我们一起交流，共同探索 GitHub 的更多可能性，让这个强大的工具更好地为我们的开发工作服务。
TensorFlow之saved_model使用笔记
phynikesi的博客
03-08 831
signature设置 x1 = tf.placeholder(tf.int32, shape=[None, None], name='x1') x2 = tf.placeholder(tf.int32, shape=[None, None], name='x2') …… y = output_tensor loss = loss_tensor inputs = { 'x1': tf.saved_model.utils.build_tensor_info(x1),
python模型保存save_Tensorflow SavedModel 模型的保存和加载
weixin_39928017的博客
12-11 1448
前言最近参加了天池上的Apache Flink极客挑战赛——垃圾图片分类比赛，里面涉及到了Java调用tensorflow的SavedModel格式的模型进行预测，于是专门对此内容进行了调研。这里记录了SavedModel模型的优势，结构以及保存和加载的方法。SavedModel的优势Tensorflow训练的模型可以保存为ckpt格式，但是这种格式的模型文件在跨语言方面不是很灵活。而SaveMo...
TensorFlow之SavedModel模型保存和加载
IT菜鸟
01-18 4410
TensorFlow之SavedModel模型保存和加载
Tensorflow加载预训练模型和保存模型的实例
09-20
在使用TensorFlow进行模型保存和加载时，我们还可以指定只保存或加载模型的一部分变量。这可以通过创建一个包含需要保存变量名称的列表或字典，然后将其传递给`tf.train.Saver`构造函数来实现。同样，在恢复模型时也...
【tensorflow】保存模型、再次加载模型等操作
热门推荐
I am what i am
01-12 6万+
由于经常要使用tensorflow进行网络训练，但是在用的时候每次都要把模型重新跑一遍，这样就比较麻烦；另外由于某些原因程序意外中断，也会导致训练结果拿不到，而保存中间训练过程的模型可以以便下次训练时继续使用。所以练习了tensorflow的save model和load model。参考于http://cv-tricks.com/tensorflow-tutorial/save-restore-t
Tensorflow SavedModel模型的保存与加载
weixin_34245749的博客
10-12 2689
这两天搜索了不少关于Tensorflow模型保存与加载的资料，发现很多资料都是关于checkpoints模型格式的，而最新的SavedModel模型格式则资料较少，为此总结一下TensorFlow如何保存SavedModel模型，并加载之。 为什么要采用SavedModel格式呢？其主要优点是SaveModel与语言无关，比如可以使用python语言训练模型，然后在Java中非常方便的加载模型。当...
TensorFlow - save model
Zhou_Dao的博客
12-27 553
There are some examples to show how to save trained models example 1: this code can save the model which achieves max acc; but it cannot train model based on the pre-trained model; Besides, it e...
tensorflow model save
zhizhi_zhizhi_zhizhi的博客
06-14 2301
一种是传统的Saver类save保存和restore恢复方法 1. TensorFlow模型简介 训练了一个神经网络之后，我们希望保存它以便将来使用。那么什么是TensorFlow模型?Tensorflow模型主要包含我们所培训的网络参数的网络设计或图形和值。因此，Tensorflow模型有两个主要的文件: a) Meta graph： ...
Tensorflow 模型保存与恢复（2）使用SavedModel
JerryZhang__的博客
12-17 9670
使用SavedModel 保存和恢复模型 上一篇介绍了使用tf.train.Saver()保存模型checkpoint的方法，本篇介绍使用SavedModel进行模型的保存与恢复。 SavedModel 是一种跨语言的序列化格式（protobuf），可以保存和加载模型变量、图和图的元数据，适用于将训练得到的模型保存用于生产环境中的预测过程。由于跨语言的特性，应用时，可以使用一种语言保存模型，如训练...
TensorFlow学习记录：saved_model模块的用法
weixin_41137655的博客
08-14 9936
TensorFlow中的saved_model模块用于生成冻结图文件，并且saved_model模块封装了平常用的Saver类。与Saver类不同的是，saved_model模块生成的模型文件集成了打标签的操作，可以更方便地部署在生产环境中。 关于为什么要用saved_model模块，这篇文章讲得挺好的。请点击这里 一个saved_model对象可以存储一个或多个MetaGraphDef。那什么时...
TensorFlow1.x和TensorFlow2.x模型保存
weixin_44324036的博客
12-02 1586
TensorFlow模型各种保存方法
Tensorflow模型变量保存
泛用演化计算、通用人工智能优化模型
07-16 684
Tensorflow：模型变量保存 觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考文献Tensorflow实战Google深度学习框架 实验平台: Tensorflow1.4.0 python3.5.0 Tensorflow常用保存模型方法 import tensorflow as tf saver = tf.train.Saver() #...
Tensorflow2.0学习-保存和加载模型 (五)
赫凯的博客
04-30 3603
文章目录保存加载模型引包数据准备模型准备跑起来并保存模型加载模型checkpoint 回调选项保存模型的另外一些方式SaveModel文件格式HDF5 文件格式 保存加载模型 训练完模型之后，需要保存的，要不每次想测试的时候，都要走一遍训练，多麻烦呀。所以就需要保存以及加载。而且，有时候，模型跑着跑着就断了，还可以接着训练。保存加载模型 引包 一般是保存成.h5格式的文件。 import os import tensorflow as tf from tensorflow import keras
keras.net load_model 如何加载TensorFlow SavedModel格式本地模型
07-21
<think>我们正在使用Keras.NET加载本地的TensorFlow SavedModel格式模型。根据用户提供的引用，我们知道在Python中可以使用`tf.keras.models.load_model`来加载SavedModel格式的模型。在Keras.NET中，同样有类似的方法。 在Keras.NET中，加载模型的方法是`Keras.Models.Model.LoadModel`。这个方法支持加载两种格式的模型：HDF5格式（.h5文件）和TensorFlow SavedModel格式（一个目录）。对于SavedModel格式，我们只需要指定包含模型的目录路径即可。 ### 步骤： 1. **确保模型路径正确**：模型应该是以SavedModel格式保存的目录，其中包含`saved_model.pb`和`variables`子目录。 2. **使用`Model.LoadModel`方法**：指定模型路径，并设置`custom_objects`（如果有自定义层）和`compile`（是否编译模型）参数。 ### 示例代码： ```csharp using Keras.Models; using System; class LoadModelExample { static void Main() { // 指定SavedModel格式模型的目录路径 string modelPath = @"path/to/saved_model_directory"; // 加载模型 // 注意：对于SavedModel格式，路径指向目录，而不是单个文件 BaseModel model = Model.LoadModel(modelPath); // 打印模型摘要 model.Summary(); // 使用模型进行预测等操作 // ... } } ``` ### 注意事项： 1. **路径格式**：在Windows系统中，路径可以是绝对路径或相对路径。如果路径包含空格或特殊字符，确保正确转义。 2. **自定义层**：如果模型包含自定义层，需要在加载时通过`custom_objects`参数提供这些层的定义。例如： ```csharp var customLayers = new Dictionary<string, Type> { { "CustomLayerName", typeof(CustomLayer) } }; BaseModel model = Model.LoadModel(modelPath, custom_objects: customLayers); ``` 3. **编译模型**：默认情况下，加载的模型会被编译（如果原始模型保存时包含了编译信息）。如果不想编译，可以设置`compile`参数为`false`： ```csharp BaseModel model = Model.LoadModel(modelPath, compile: false); ``` 4. **依赖项**：确保你的项目引用了正确版本的Keras.NET和TensorFlow.NET。SavedModel格式的加载依赖于底层的TensorFlow库。 ### 引用说明： 根据引用[1]和[3]，在Python中加载SavedModel格式模型也是通过`tf.keras.models.load_model`方法，并且加载后可以直接进行预测。在Keras.NET中，我们使用类似的方式，但通过.NET的API来实现[^1][^3]。 ### 常见问题解决： - **模型加载失败**：检查模型路径是否正确，以及模型是否完整（目录下应包含`saved_model.pb`和`variables`目录）。 - **自定义层错误**：如果模型包含自定义层，必须在加载时提供这些层的类型，否则会抛出异常。 - **版本不兼容**：确保用于保存模型的TensorFlow版本与Keras.NET底层使用的TensorFlow版本兼容。 ### 完整示例（包含预测）： 假设我们有一个SavedModel格式的MNIST模型（如引用[2]和[3]中的模型），我们可以这样加载并进行预测： ```csharp using Keras.Models; using Numpy; using System; class LoadAndPredict { static void Main() { // 加载模型 string modelPath = @"models/lenet5"; // 模型目录 BaseModel model = Model.LoadModel(modelPath); // 准备数据（这里使用一个随机的28x28图像，归一化到0-1） var input = np.ones((1, 28, 28, 1)) * 0.5; // 示例数据 // 预测 var result = model.Predict(input); // 输出结果 Console.WriteLine("预测结果形状: " + result.shape); Console.WriteLine("预测结果: " + result); } } ``` ### 相关问题： 1. 如何在Keras.NET中加载H5格式的模型？ 2. 如何解决加载SavedModel模型时的自定义层错误？ 3. Keras.NET支持哪些TensorFlow版本？ 4. 如何将Python中保存的SavedModel模型转换为Keras.NET可用的格式？</think>### 在 Keras.NET 中加载 TensorFlow SavedModel 格式模型 在 Keras.NET 中加载本地的 TensorFlow SavedModel 格式模型，需使用 `Model.LoadModel` 方法并指定正确的模型路径。以下是详细步骤： #### 1️⃣ 基本加载方法 ```csharp using Keras.Models; // 指定 SavedModel 目录路径 string modelPath = @"D:\models\my_savedmodel"; // 加载模型 BaseModel model = Model.LoadModel(modelPath); // 验证加载成功 model.Summary(); // 输出模型结构 ``` #### 2️⃣ 关键注意事项 1. **路径格式**： - 必须指向包含 `saved_model.pb` 的**目录**（非单个文件） - 正确路径结构示例： ``` my_savedmodel/ ├── saved_model.pb └── variables/ ├── variables.data-00000-of-00001 └── variables.index ``` 2. **自定义层处理**： ```csharp // 若有自定义层，需提供映射字典 var customObjects = new Dictionary<string, Type> { { "CustomLayer", typeof(MyCustomLayer) } }; BaseModel model = Model.LoadModel(modelPath, custom_objects: customObjects); ``` 3. **禁用自动编译**（如需）： ```csharp // 加载时不编译模型（默认会编译） BaseModel model = Model.LoadModel(modelPath, compile: false); ``` #### 3️⃣ 完整使用示例（含预测） ```csharp using System; using Keras.Models; using Numpy; class LoadSavedModel { static void Main() { // 1. 加载模型 string modelPath = @"models/mnist_model"; BaseModel model = Model.LoadModel(modelPath); // 2. 准备输入数据（示例：MNIST 28x28 图像） var input = np.ones((1, 28, 28, 1)); // 创建单张全1图像 input = input / 255.0f; // 归一化[^2] // 3. 执行预测 NDarray predictions = model.Predict(input); // 4. 输出结果 Console.WriteLine("预测结果形状: " + predictions.shape); Console.WriteLine("各类别概率: " + predictions); } } ``` #### 4️⃣ 常见问题解决 | 问题 | 解决方案 | |------|----------| | **`FileNotFoundError`** | 检查路径是否包含 `saved_model.pb` 文件 | | **自定义层加载失败** | 通过 `custom_objects` 参数显式注册[^4] | | **版本不兼容** | 确保训练和加载环境使用相同 TensorFlow 版本 | | **输入形状不匹配** | 使用 `model.InputShape` 验证输入维度 | > 💡 重要提示：SavedModel 格式无需文件扩展名，直接指定**目录路径**即可[^1][^3]。 #### 5️⃣ 与 H5 格式加载对比 | 特性 | SavedModel 格式 | H5 格式 | |------|----------------|---------| | 加载方法 | `Model.LoadModel("目录路径")` | `Model.LoadModel("model.h5")` | | 自定义层支持 | ✅ 更好 | ⚠️ 需额外处理 | | TensorFlow Serving | ✅ 原生支持 | ❌ 不支持 | | 文件结构 | 多文件目录 | 单文件 | > 最佳实践：**生产环境优先使用 SavedModel 格式**，因其具有更好的版本兼容性和部署灵活性[^3]。
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