TensorFlow.keras模型加载的实例教程

TensorFlow.keras是TensorFlow深度学习框架中的一个高级API，可以帮助我们更方便地构建和训练深度学习模型。在TensorFlow.keras中，我们可以使用两种不同的方式加载已经训练好的模型：一种是加载整个模型（包括模型的结构和权重），一种是只加载模型的权重。

下面，我们将以一个实例教程的形式，介绍如何在TensorFlow.keras中加载已训练好的模型。

首先，我们需要先定义一个简单的模型，用于训练和保存。在这个例子中，我们使用一个简单的卷积神经网络（CNN）模型来识别手写数字MNIST数据集。

import tensorflow as tf
from tensorflow import keras

# 加载MNIST数据集
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理
train_images = train_images.reshape((60000, 28, 28, 1))
train_images = train_images / 255.0

# 定义模型
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Flatten(),
    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(train_images, train_labels, epochs=5)

# 保存模型
model.save('mnist_model.h5')

现在，我们已经训练好并保存了模型。接下来，我们将介绍如何使用已经训练好的模型。

#### 加载整个模型

要加载整个模型（包括模型的结构和权重），可以使用keras.models.load_model函数。首先，我们需要先导入这个函数：

from tensorflow.keras.models import load_model

然后，我们可以使用load_model函数加载模型：

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

现在，我们可以使用加载的模型进行预测了：

# 加载测试数据
test_images = test_images.reshape((10000, 28, 28, 1))
test_images = test_images / 255.0

# 预测测试数据的标签
predictions = model.predict(test_images)

可以根据需要继续对预测结果进行后续处理。

#### 只加载权重

有时候，我们已经有了一个与已保存模型相同结构的模型，只想加载已训练好的模型的权重。在这种情况下，可以使用load_weights方法来加载权重。

# 创建一个与已保存模型相同结构的模型
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Flatten(),
    keras.layers.Dense(10, activation='softmax')
])

# 加载模型的权重
model.load_weights('mnist_model.h5')

然后，我们可以使用已加载的权重进行预测：

# 预测测试数据的标签
predictions = model.predict(test_images)

这就是如何在TensorFlow.keras中加载已训练好的模型的方法。加载整个模型可以使用load_model函数，加载权重可以使用load_weights方法。根据需求，选择适合的方法来加载模型。