使用load_model()函数从硬盘中加载已训练好的深度学习模型

load_model()函数是Keras中专门用于从硬盘中加载已训练好的深度学习模型的函数。它可以加载保存在.h5或.hdf5格式的模型文件，并返回一个编译好的模型。

下面是一个使用load_model()函数加载已训练好的模型的例子：

# 导入必要的库
from tensorflow.keras.models import load_model

# 加载模型
model = load_model('path/to/model.h5')

# 打印模型概述
model.summary()

在这个例子中，我们首先导入了必要的库，然后使用load_model()函数加载了模型文件path/to/model.h5。在加载完模型后，我们可以使用model.summary()来打印模型的概述信息，包括每一层的名称、输出形状以及可训练参数等。

需要注意的是，加载模型时，模型的架构（包括层的信息和配置）、训练配置（包括优化器和损失函数等）以及已训练的权重都会被加载。因此，在加载模型后，可以直接使用模型进行预测、评估或继续训练。

以下是一个更复杂的例子，展示了如何加载已训练好的模型并进行预测：

# 导入必要的库
import numpy as np
from tensorflow.keras.models import load_model

# 加载模型
model = load_model('path/to/model.h5')

# 加载测试数据
test_data = np.random.random((10, 100))  # 假设有10个测试样本，每个样本包含100个特征

# 进行预测
predictions = model.predict(test_data)

# 打印预测结果
print(predictions)

在这个例子中，我们首先导入了必要的库，然后使用load_model()函数加载了模型文件path/to/model.h5。接下来，我们假设有一组包含10个测试样本的数据集，每个样本包含100个特征。我们使用模型的predict函数对这个测试数据进行预测，并将结果存储在predictions变量中。最后，我们打印出了预测结果。

这个例子演示了如何使用加载的模型进行预测。可以根据具体的应用场景，对预测结果进行后续的处理和分析。