TensorFlow中的load_model()函数及其用例

TensorFlow中的load_model()函数用于加载已经训练好的模型。该函数可以加载Keras模型、TensorFlow模型或者SavedModel格式的模型。

下面是一个使用load_model()函数加载Keras模型的例子：

from tensorflow import keras

# 加载已经保存好的Keras模型
model = keras.models.load_model('path/to/model.h5')

# 使用已加载的模型进行预测
prediction = model.predict(input_data)

在上面的例子中，load_model()函数接受一个字符串参数，该参数为已经保存好的Keras模型的路径。load_model()函数将返回一个已经加载好的模型对象，我们可以使用该模型对象进行预测。

另外，我们还可以使用compile参数重新编译模型：

# 重新编译模型
model = keras.models.load_model('path/to/model.h5', compile=True)

接下来是一个使用load_model()函数加载TensorFlow模型的例子：

import tensorflow as tf

# 加载已经保存好的TensorFlow模型
model = tf.saved_model.load('path/to/model')

# 转换为可运行的模型
concrete_func = model.signatures[tf.saved_model.DEFAULT_SERVING_SIGNATURE_DEF_KEY]

# 获取模型的输入和输出信息
input_tensor = concrete_func.inputs[0]
output_tensor = concrete_func.outputs[0]

# 运行模型
output = concrete_func(input_tensor)

在上面的例子中，load()函数接受一个字符串参数，该参数为已经保存好的TensorFlow模型的路径。load()函数将返回一个已经加载好的模型对象。我们可以通过signatures属性获取模型的输入和输出信息，并使用inputs和outputs属性获得具体的输入和输出张量。最后，通过调用模型对象并传入输入张量，即可运行模型并得到输出。

最后，是一个使用load_model()函数加载SavedModel格式模型的例子：

import tensorflow as tf

# 加载已经保存好的SavedModel格式模型
loaded_model = tf.saved_model.load('path/to/model')

# 使用模型进行预测
output = loaded_model(input_data)

在上面的例子中，load()函数接受一个字符串参数，该参数为已经保存好的SavedModel格式模型的路径。load()函数将返回一个已经加载好的模型对象，我们可以直接使用该对象进行预测。