tf.keras.models.save_model

Сохраняет модель как файл TensorFlow SavedModel или HDF5.

tf.keras.models.save_model(
    model, filepath, overwrite=True, include_optimizer=True, save_format=None,
    signatures=None, options=None, save_traces=True
)

См. Руководство по сериализации и сохранению для получения подробной информации.

Использование:

model = tf.keras.Sequential([
    tf.keras.layers.Dense(5, input_shape=(3,)),
    tf.keras.layers.Softmax()])
model.save('/tmp/model')
loaded_model = tf.keras.models.load_model('/tmp/model')
x = tf.random.uniform((10, 3))
assert np.allclose(model.predict(x), loaded_model.predict(x))

Файл SavedModel и HDF5 содержат:

• конфигурацию модели (топологию)
• веса модели
• состояние оптимизатора модели (при необходимости)

Таким образом, модели могут быть повторно созданы в точно таком же состоянии без какого-либо кода, используемого для определения или обучения модели.

Обратите внимание, что веса модели могут иметь разные имена в области видимости после загрузки. Имена области видимости включают имена модели/слоя, такие как "dense_1/kernel:0". Рекомендуется использовать свойства слоя для доступа к конкретным переменным, например model.get_layer("dense_1").kernel.

Формат сериализации SavedModel

Keras SavedModel использует tf.saved_model.save для сохранения модели и всех отслеживаемых объектов, прикрепленных к модели (например, слоев и переменных). Конфигурация модели, веса и оптимизатор сохраняются в SavedModel. Кроме того, для каждого Keras слоя, прикрепленного к модели, SavedModel хранит:

• конфигурацию и метаданные — например, имя, тип данных, состояние обучаемости
• отслеженные функции вызова и потери, которые хранятся как подграфы TensorFlow.

Отслеженные функции позволяют формату SavedModel сохранять и загружать пользовательские слои без исходного определения класса.

Вы можете выбрать не сохранять отслеженные функции, отключив save_traces параметр. Это уменьшит время сохранения модели и объем места на диске, занимаемый выходным SavedModel. Если вы включите этот параметр, вам необходимо предоставить все пользовательские определения классов при загрузке модели. См. параметр custom_objects в tf.keras.models.load_model.