TensorFlow.keras中load_model()函数的实例演示

在TensorFlow.keras中，load_model()函数是用于加载保存的模型的方法。该方法接受一个模型文件的路径作为参数，并返回加载的模型对象。

下面是一个使用load_model()函数加载模型的实例演示：

假设我们使用Keras建立了一个简单的神经网络模型，并保存为文件"model.h5"：

from tensorflow import keras

# 建立模型
model = keras.Sequential([
    keras.layers.Dense(32, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 保存模型
model.save('model.h5')

然后，我们可以使用load_model()函数加载保存的模型：

from tensorflow.keras.models import load_model

# 加载模型
loaded_model = load_model('model.h5')

# 使用加载的模型进行预测
predictions = loaded_model.predict(x_test)

在上述代码中，我们首先使用load_model()函数加载保存的模型文件"model.h5"。加载完毕后，我们可以使用加载的模型进行预测。

需要注意的是，使用load_model()函数加载模型时，需要保证模型文件的路径是正确的。如果路径错误，将会报错。

另外，load_model()函数会根据模型文件的后缀名自动选择对应的加载器。目前支持的模型文件格式有.h5、.hdf5、.json和.yml。

总结：在TensorFlow.keras中，load_model()函数能够加载保存的模型文件，并返回加载的模型对象，方便我们进行后续的预测或其他操作。