关于tensorflow2.x保存模型及加载模型的方法及对比

以下方法都是个人实际中测试和使用的方法，tf2版本在2.3~2.7之间

1、model.save() and model.load()

保存模型：这个方法可以直接将训练后的权重和训练的参数保存下来，一般我个人使用的.h5为后缀把模型整个保存下来。

步骤如下：

（1）创建模型，像添加积木一样对模型添加需要的卷积，池化等操作

 （2）配置神经网络的优化器，计算梯度的方法　　

 （3）保存模型

 

加载模型：这样保存下来的模型可以直接将h5文件保存下来，不需要先加载模型

 

 

2、model.save_weight() and model.load_weight()

 （1）这里采用继承Model这个类去实现神经网络（比第一种方法更加常用且受规范）

 下面的方法就是当我们保存模型的权重参数，但是没有保存模型的结构

 加载模型

需要先把模型的结构导入过来，再load模型的参数进去才能进行推理

 

3、model.checkpoint

 这个用的比较少，看这样加载模型的方式，可能跟第二种类似

 

tf1.x版本中的Checkpoint用法如下

 

保存模型的参数

注意：

由于本次测试使用的是对抗生成网络，所有两个网络，即一个判别器和一个生成器，同时对应2种优化器，Checkpoint中设置你的生成器和优化器的名字，然后在加载的时候以同样的名字为参数传入模型的结构

 载入模型

 

注意：这里的模型都指定了输入的图片的尺寸，如果想输入的图片尺寸不受限制，那么不要使用flatten拉直神经网络，可以使用全卷积来再进行softmax即可

tf.keras.layers.GlobalAveragePooling2D()