Python中的load_model()函数的应用方法简介

load_model()函数是TensorFlow中用于加载已经训练好的模型的函数。在Python中，可以使用该函数加载已经保存在磁盘上的模型，并在后续的代码中使用该模型进行预测、评估等任务。

要使用load_model()函数，首先需要安装tensorflow模块。可以使用pip install tensorflow命令来安装。

下面是load_model()函数的基本用法及一个使用例子：

1. 导入相关的模块和函数。

import tensorflow as tf
from tensorflow import keras

2. 使用load_model()函数加载模型。在load_model()函数的参数中，需要指定模型文件的路径。模型可以是经过训练和保存在磁盘上的Keras模型（.h5或.keras文件），也可以是TensorFlow SavedModel格式的模型文件（.pb文件）。

model = keras.models.load_model('path/to/model.h5') 

3. 使用加载的模型进行预测。可以使用模型的predict()函数来对新数据进行预测。在这个例子中，我们假设加载的模型是一个图像分类模型，输入图片大小为(224, 224)。

import numpy as np

# 加载一张新的图像
new_image = np.random.random((1, 224, 224, 3))  # (1, 224, 224, 3)代表一张224x224大小的RGB图像

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

4. 使用加载的模型进行评估。可以使用模型的evaluate()函数来对测试数据进行评估。在这个例子中，我们假设测试数据是X_test和Y_test，分别是测试样本和对应的真实标签。

test_loss, test_accuracy = model.evaluate(X_test, Y_test)

load_model()函数还支持其他一些参数，例如custom_objects、compile等。custom_objects参数可以用于指定自定义的层或损失函数等，compile参数可以用于重新编译加载的模型。具体可以参考TensorFlow官方文档。