【Tensorflow教程笔记】TensorFlow 模型导出

最新推荐文章于 2025-10-18 08:38:31 发布

原创

最新推荐文章于 2025-10-18 08:38:31 发布 · 6.5k 阅读

这篇教程详细介绍了TensorFlow模型的导出，包括SavedModel格式的完整导出以及Keras的H5模型导出。SavedModel包含模型的权重和计算图，便于部署和分享。Keras模型可以方便地导出为SavedModel，但某些情况需要使用tf.function转换。同时，文章提到了Keras的H5模型导出，适用于服务器和移动端的不同部署需求。

Tensorflow教程笔记

为了将训练好的机器学习模型部署到各个目标平台（如服务器、移动端、嵌入式设备和浏览器等），我们的第一步往往是将训练好的整个模型完整导出（序列化）为一系列标准格式的文件。在此基础上，我们才可以在不同的平台上使用相对应的部署工具来部署模型文件。TensorFlow 提供了统一模型导出格式 SavedModel，使得我们训练好的模型可以以这一格式为中介，在多种不同平台上部署，这是我们在 TensorFlow 2 中主要使用的导出格式。同时，基于历史原因，Keras 的 Sequential 和 Functional 模式也有自有的模型导出格式，我们也一并介绍。

使用 SavedModel 完整导出模型

在前节中我们介绍了 Checkpoint，它可以帮助我们保存和恢复模型中参数的权值。而作为模型导出格式的 SavedModel 则更进一步，其包含了一个 TensorFlow 程序的完整信息：不仅包含参数的权值，还包含计算的流程（即计算图）。当模型导出为 SavedModel 文件时，无须模型的源代码即可再次运行模型，这使得 SavedModel 尤其适用于模型的分享和部署。后文的 TensorFlow Serving（服务器端部署模型）、TensorFlow Lite（移动端部署模型）以及 TensorFlow.js 都会用到这一格式。

Keras 模型均可方便地导出为 SavedModel 格式。不过需要注意的是，因为 SavedModel 基于计算图，所以对于使用继承 tf.keras.Model 类建立的 Keras 模型，其需要导出到 SavedModel 格式的方法（比如 call ）都需要使用 @tf.function 修饰（ @tf.function 的使用方式见前文）。然后，假设我们有一个名为 model 的 Keras 模型，使用下面的代码即可将模型导出为 SavedModel：

tf.saved_model.save(model, "保存的目标文件夹名称")

在需要载入 SavedModel 文件时，使用

model = tf.saved_model.load("保存的目标文件夹名称")

即可。

对于使用继承 tf.keras.Model 类建立的 Keras 模型 model ，使用 SavedModel 载入后将无法使用 model() 直接进行推断，而需要使用 model.call() 。

以下是一个简单的示例，将前文 MNIST 手写体识别的模型进行导出和导入。

导出模型到 saved/1 文件夹：

import tensorflow as tf
from zh.model.utils import MNISTLoader

num_epochs = 1
batch_size = 50
learning_rate = 0.001

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(100, activation=tf.nn.relu),
    tf