### 1、保存参数（accuracy可能有稍微的变化） ```py # 根据前面的步骤，已经创建了network network.save_weights('weights.ckpt') # 删除模型 del network # 恢复模型，模型的创建方式必须和以前的一样，否则不可用 network = Sequential([layers.Dense(256, activation='relu'), layers.Dense(128, activation='relu'), layers.Dense(64, activation='relu'), layers.Dense(32, activation='relu'), layers.Dense(10)]) network.compile( optimizer=optimizers.Adam(lr=0.01), loss=tf.losses.CategoricalCrossentropy(from_logits=True), metrics=['accuracy'] ) # 调用以前模型的参数 network.load_weights('weights.ckpt') # 评估模型 network.evaluate(ds_val) ``` ### 2、保存整个模型 ```py # 保存模型的全部数据，包括网络层 network.save('model.h5') print('saved total model.') # 删除以前的模型 del network # 加载模型 network = tf.keras.models.load_model('model.h5', compile=False) # 配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准 network.compile( optimizer=optimizers.Adam(lr=0.01), loss=tf.losses.CategoricalCrossentropy(from_logits=True), metrics=['accuracy'] ) ``` ### 3、模型的部署（提供其他语言调用的模型的方式） ```py path = '/model_file' # 保存模型 tf.saved_model.save(m, path) # 加载模型 imported = tf.saved_model.load(path) f = imported.signatures["serving_default"] # 预测模型 print(f(x=tf.ones([1`,28,28,3]))) ```