最近一遍学，一遍尝试进行模型的简单应用，需求驱动也是一个好的学习动力。

那么问题来了，难道我们每次应用模型，都要从头到尾训练一遍，然后再去做识别任务吗？

当然不是，所以，记录一下简单的模型保存和模型加载过程。

只是抛砖引玉，和给自己记录一下。更多使用，请参考官方文档。

以识别手写数字模型为例。

1、保存模型

在识别手写数字模型训练之后，保存代码。

# 保存模型
model.save('test.h5') #保存到与代码文件同目录，h5:模型文件后缀名

保存后，即可看到，代码同目录下，我们保存的模型文件。

2、加载模型

在复用模型的地方：

my_model = tf.keras.models.load_model('test.h5') 

即可加载我们保存过的模型。

加载后，即可使用模型的一些方法了。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
# 加载并预处理数据
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
train_images, test_images = train_images / 255.0, test_images / 255.0
# 加载模型
my_model = tf.keras.models.load_model('test.h5') 
my_model.summary()

3、保存模型的更多姿势

上面这种保存方式，是完整保存模式，保存的模型文件包括：

• architecture 模型的结构
• weight values 模型的权值
• training config 模型的配置：即我们通过compile编译模型的一些信息，如优化器，损失函数等
• optimizer and its state 优化器的状态信息，我们可以接着之前的训练继续训练

也可以分别保存：

3.1 保存模型结构

# 保存模型结构
with open('model_config.json', 'w') as json_file:
    json_file.write(json_config)


# 加载
with open('model_config.json') as json_file:
    json_config = json_file.read()

3.2 保存模型权重

# 保存权重到磁盘，注意，这里是一个 h5 文件哦！
model.save_weights('my_weights.h5')
 
# 新模型从磁盘加载权重
new_model.load_weights('my_weights.h5')

3.3 保存为SavedModel格式

另外，也可以将模型保存为tensorflow标准的SavedModel格式，这是对tensorflow对象标准的序列化格式，是官方推荐使用，不同的是，他不是将模型保存为一个单独的文件，而是有几个文件组成。

# 模型保存，注意：仅仅是多了一个save_format的参数而已
# 注意：这里的'path_to_saved_model'不再是模型名称，仅仅是一个文件夹，模型会保存在这个文件夹之下
model.save('mymodel', save_format='tf')

 
# 加载模型，通过指定存放模型的文件夹来加载
new_model = keras.models.load_model('mymodel')

需要注意的是：这种方式依然会保存模型的所有信息，即“网络结构、权重、配置、优化器状态”四个信息，所以可以接着训练。