TensorFlow2模型保存与加载自定义预训练模型加载

最新推荐文章于 2025-05-23 09:43:30 发布

ifeng_h

最新推荐文章于 2025-05-23 09:43:30 发布

阅读量2k

点赞数

分类专栏： TensorFlow2 文章标签： tensorflow 深度学习神经网络 python

本文链接：https://blog.youkuaiyun.com/qq_30899353/article/details/119941462

版权

TensorFlow2模型保存与加载预训练模型加载

模型的保存与恢复
预训练模型的加载

tensorflow模型的加载机制

模型的保存与恢复

参考指南

计算图与权重保存与恢复

将模型的架构与参数都保存下来，好处是在加载模型时无需重新构建网络，直接将网络加载进行就能够进行预测，因此已经包括了计算图。

SavedModel格式

模型保存：model.save或tf.keras.models.save_model
加载加载：tf.keras.models.load_model

h5格式

函数与SavedModel一样，不同的是模型的名称以 .h5 为后缀。

通过 model.add_loss() 和 model.add_metric() 添加的外部损失和指标不会被保存
已保存的文件中不包含自定义对象（如自定义层）的计算图

权重保存与恢复

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ifeng_h

关注关注

0
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

Tensorflow 2.x(keras)源码详解之第十章：keras中的模型保存与加载(详解Checkpoint&md5&模型序列化)

weixin_43178406的博客

05-18

4万+

1. 模型保存与加载：综述 2. 前提总结 3. 仅保存模型权重 3.1 在内存中将权重进行迁移 3.2 将权重保存到磁盘上 3.2.1 Checkpoint(检查点) 3.2.2 使用tf.train.checkpoint()保存多个检查点 3.2.3 使用tf.train.checkpoint加载多个检查点 3.2.4 tf.train.checkpoint保存和加载单一检查点 3.2.5 save_weights保存检查点 3.2.6 save_weights保存成HDF5格式 4. 仅保存模型架构

TensorFlow2 入门指南 | 19 模型文件的保存与加载

不积跬步，无以至千里！

02-22

1874

全网最简洁高效的TensorFlow入门指南！

参与评论您还未登录，请先登录后发表或查看评论

tensorFlow 2.0 如何加载checkpoint

Firesuiry&尹世远的博客

11-10

3246

解决了一个令人头秃的问题 early_stopping=tf.keras.callbacks.EarlyStopping(monitor='loss', min_delta=0.0001, patience=5, mode='auto', basel...

Tensorflow2.x中的模型保存和加载

sxdcfb的博客

08-08

2095

Tensorflow2.x中的模型保存和加载模型保存和读取在tensorflow2.x中我们经常需要将训练后的模型保存下来以之后进行使用。这里我们将模型保存进行简单的总结。 1、测试环境系统显卡处理器 Cuda版本 Tensorflow版本 Windows10 Pro Nvidia RTX2070Super Intel core i5 9600KF 10.1 Tensorflow-GPU 2.3 2、基于网络模式模型保存和读取这里我们简单定义一个5层全连接网络 # 定义一个5

tensorflow2.x加载预训练模型

sslfk的博客

01-06

1290

tensorflow的预训练模型网址为：https://hub.tensorflow.google.cn 已经下载好的预训练模型：bert_zh_L-12_H-768_A-12的v4版本（链接：https://pan.baidu.com/s/1Ld_mvXf8Es4lwCaW1PgKsQ 提取码：3xba）和bert_zh_preprocess的v3版本（链接：https://pan.baidu.com/s/1jseOQKlVj88-Hpak2PXsCw 提取码：s9eq）模型离线加载： im..

Tensorflow加载预训练模型和保存模型

jiangjiane

11-28

586

原文链接： https://blog.youkuaiyun.com/huachao1001/article/details/78501928

tensorflow2学习笔记一：模型的保存与加载

weixin_40640732的博客

08-13

784

最近在学习tensorflow框架，参考的tensorflow的官方文档，虽然是英文的，但是很容易读懂，感觉看起来比一些中文文档还易读，而且流程更清晰。在这里通过优快云平台对自己学习过程进行一下记录与总结，因为自己比较菜，很多东西还处于初级阶段，可能在认知上有些错误，欢迎各位指正，同时也希望能找到一些志同道合的朋友一起学习。文章目录一、调用数据库二、定义一个简单的模型三、在训练的时候保存检查点与加载四、保存各个阶段的模型？？官方在这个例子中用的用的数据库为MNIST dataset，为了加快运行速度，

tensorflow获取预训练模型某层参数并赋值到当前网络指定层方式

09-18

TensorFlow 是一个强大的深度学习框架，它提供了获取预训练模型参数并将其应用到自定义网络结构中的功能。下面将详细介绍如何在 TensorFlow 中实现这一操作。首先，你需要导入必要的库，包括 TensorFlow 自身以及...

Python领域TensorFlow的模型保存与加载

最新发布

Python编程之道的博客

05-23

733

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 2.0模型保存与加载最佳实践】：持久化模型，一步到位

[【TensorFlow 2.0模型保存与加载最佳实践】：持久化模型，一步到位](https://opengraph.githubassets.com/bf6c2e53c5e806e06bd52f9d8ab11bcb715c3443bcea5fe14b0ad1be83a7054b/sawsen04/checkpoint-layout) ...

搞清楚TensorFlow2--Checkpoint

BoCong-Deng的博客

08-15

3769

写在前面 GitHub TensorFlow原文档 TensorFlow版本：2.3 引言很多时候，我们希望在模型训练完成后能将训练好的参数（变量）保存起来，在需要使用模型的其他地方载入模型和参数，就能直接得到训练好的模型。而TensorFlow 正好提供了tf.train.Checkpoint这一强大的变量保存与恢复类，可以使用其 save() 和 restore() 方法将 TensorFlow 中所有包含 Checkpointable State 的对象进行保存和恢复。不过有一点要注意的是，Chec

py-R-FCN的预训练模型

01-08

解压之后的文件改名为.gz后缀再解压，里面的文件分别是resnet50_rfcn_final.caffemodel和resnet101_rfcn_final.caffemodel

TensorFlow如何加载checkpoint

ffhgyguj的博客

11-20

1863

1.checkpoint设置如下 filepath="./weight/checkpoint" checkpoint = keras.callbacks.ModelCheckpoint( filepath, save_weights_only=True, save_best_only=True, verbose=1 ) 2 checkpoint保存后的文件夹内容： 3.加载checkpoint: model.load_weights('weight/checkpoint') ...

tensorflow2模型的保存与加载

weixin_45090728的博客

12-11

836

保存整个模型：整个模型的保存 1.整个模型可以以两种不同的文件格式（SavedModel 和 HDF5）进行保存 2.调用 model.save 将保存模型的结构，权重和训练配置保存在单个文件/文件夹中。 3.导出模型，以便在不访问原始 Python 代码*的情况下使用它。 4.优化器状态（optimizer-state）已经恢复，可以从中断的位置恢复训练。这种方式加载的时候会直接返回一个model，而其他方式是要先创建model再加载 #第一种 #保存到文件夹中 dir_name="save_mode

TensorFlow2：用Keras构建模型与训练

pengchengIT的博客

04-24

1001

有了Keras之后，事情变得简单模型构建首先，明确Keras中有两个重要的模块：model和layer Keras中layer分装了常见的全连接层，cnn,rnn等，我们只需要调用这些层，封装进model中，就完成了网络的构建，使用Keras后，网络定义变得高效，标准，快速。 ①使用Sequential()构建模型 import tensorflow as tf import numpy as np model = tf.keras.models.Sequential() model.add(tf.ke

TensorFlow2官方指南 :训练检查点Checkpoint 指南

chenvvei的博客

04-24

2091

训练检查点指南检查点可以捕获模型使用的所有参数（tf.Variable 对象）的确切值。检查点不包含对模型所定义计算的任何描述，因此通常仅在将使用保存参数值的源代码可用时才有用。本文介绍用于编写和读取检查点的 API。 import tensorflow as tf class Net(tf.keras.Model): """A simple linear model.""" def __init__(self): super(Net, self).__init__() se

tensorflow2.0 keras接口训练模型

Chapmancp的博客

07-14

475

tensorflow2.0 一、Model子类化创建自定义模型 # 先自定义一个残差模块，为自定义Layer class ResBlock(layers.Layer): def __init__(self, kernel_size, **kwargs): super(ResBlock, self).__init__(**kwargs) self.kernel_size = kernel_size def build(self,input_shape...

tensorflow2.0---自定义权重构建神经网络

z1315975700的博客

08-23

607

tensorflow2.0---自定义权重构建神经网络

【tensorflow】fine-tuning, 选择性加载ckpt部分权重

Shwan_ma的博客

12-22

6692

在上一篇的转载博客中http://blog.youkuaiyun.com/shwan_ma/article/details/78874696中，我发现用slim可以很方便的选择性的从ckpt文件中加载所要的数据。以我自己的代码为例：exclude = ['layer_weight','WD2_conv', 'BD2'] variables_to_restore=slim.get_variables_to_res