最新版本：https://www.mashangxue123.com/tensorflow/tf2-tutorials-keras-save_and_restore_models.html
英文版本：https://tensorflow.google.cn/alpha/tutorials/keras/save_and_restore_models
翻译建议PR：https://github.com/mashangxue/tensorflow2-zh/edit/master/r2/tutorials/keras/save_and_restore_models.md
模型进度可以在训练期间和训练后保存。这意味着模型可以在它停止的地方继续，并避免长时间的训练。保存还意味着您可以共享您的模型，其他人可以重新创建您的工作。当发布研究模型和技术时，大多数机器学习实践者共享: 用于创建模型的代码 以及模型的训练权重或参数
共享此数据有助于其他人了解模型的工作原理，并使用新数据自行尝试。
注意：小心不受信任的代码(TensorFlow模型是代码)。有关详细信息，请参阅安全使用TensorFlow 。
选项
保存TensorFlow模型有多种方法，具体取决于你使用的API。本章节使用tf.keras(一个高级API，用于TensorFlow中构建和训练模型)，有关其他方法，请参阅TensorFlow保存和还原指南或保存在eager中。
1. 设置
1.1. 安装和导入
需要安装和导入TensorFlow和依赖项
pip install h5py pyyaml1.2. 获取样本数据集
我们将使用MNIST数据集来训练我们的模型以演示保存权重，要加速这些演示运行，请只使用前1000个样本数据：
from __future__ import absolute_import, division, print_function, unicode_literalsimport os!pip install tensorflow==2.0.0-alpha0
import tensorflow as tf
from tensorflow import kerastf.__version__
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()train_labels = train_labels[:1000]
test_labels = test_labels[:1000]train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.01.3. 定义模型
让我们构建一个简单的模型，我们将用它来演示保存和加载权重。
# 返回一个简短的序列模型
def create_model():model = tf.keras.models.Sequential([keras.layers.Dense(512, activation='relu', input_shape=(784,)),keras.layers.Dropout(0.2),keras.layers.Dense(10, activation='softmax')])model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])return model# 创建基本模型实例
model = create_model()
model.summary()
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense (Dense) (None, 512) 401920
_________________________________________________________________
dropout (Dropout) (None, 512) 0
_________________________________________________________________
dense_1 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________2. 在训练期间保存检查点
主要用例是在训练期间和训练结束时自动保存检查点，通过这种方式，您可以使用训练有素的模型，而无需重新训练，或者在您离开的地方继续训练，以防止训练过程中断。
tf.keras.callbacks.ModelCheckpoint是执行此任务的回调，回调需要几个参数来配置检查点。
2.1. 检查点回调使用情况
训练模型并将其传递给 ModelCheckpoint回调
checkpoint_path = "training_1/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)# 创建一个检查点回调
cp_callback = tf.keras.callbacks.ModelCheckpoint(checkpoint_path,save_weights_only=True,verbose=1)model = create_model()model.fit(train_images, train_labels, epochs = 10,validation_data = (test_images,test_labels),callbacks = [cp_callback]) # pass callback to training# 这可能会生成与保存优化程序状态相关的警告。
# 这些警告（以及整个笔记本中的类似警告）是为了阻止过时使用的，可以忽略。
Train on 1000 samples, validate on 1000 samples......Epoch 10/10960/1000 [===========================>..] - ETA: 0s - loss: 0.0392 - accuracy: 1.0000Epoch 00010: saving model to training_1/cp.ckpt1000/1000 [==============================] - 0s 207us/sample - loss: 0.0393 - accuracy: 1.0000 - val_loss: 0.3976 - val_accuracy: 0.8750<tensorflow.python.keras.callbacks.History at 0x7efc3eba7358>这将创建一个TensorFlow检查点文件集合，这些文件在每个周期结束时更新。 文件夹checkpoint_dir下的内容如下：（Linux系统使用 ls命令查看）
checkpoint cp.ckpt.data-00000-of-00001 cp.ckpt.index创建一个新的未经训练的模型，仅从权重恢复模型时，必须具有与原始模型具有相同体系结构的模型，由于它是相同的模型架构，我们可以共享权重，尽管它是模型的不同示例。
现在重建一个新的，未经训练的模型，并在测试集中评估它。未经训练的模型将在随机水平(约10%的准确率):
model = create_model()loss, acc = model.evaluate(test_images, test_labels)
print("Untrained model, accuracy: {:5.2f}%".format(100*acc))
1000/1000 [==============================] - 0s 107us/sample - loss: 2.3224 - accuracy: 0.1230
Untrained model, accuracy: 12.30%然后从检查点加载权重，并重新评估：
model.load_weights(checkpoint_path)
loss,acc = model.evaluate(test_images, test_labels)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))
1000/1000 [==============================] - 0s 48us/sample - loss: 0.3976 - accuracy: 0.8750
Restored model, accuracy: 87.50%2.2. 检查点选项
回调提供了几个选项，可以为生成的检查点提供唯一的名称，并调整检查点频率。
训练一个新模型，每5个周期保存一次唯一命名的检查点：
# 在文件名中包含周期数. (使用 `str.format`)
checkpoint_path = "training_2/cp-{epoch:04d}.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)cp_callback = tf.keras.callbacks.ModelCheckpoint(checkpoint_path, verbose=1, save_weights_only=True,# 每5个周期保存一次权重period=5)model = create_model()
model.save_weights(checkpoint_path.format(epoch=0))
model.fit(train_images, train_labels,epochs = 50, callbacks = [cp_callback],validation_data = (test_images,test_labels),verbose=0)
Epoch 00005: saving model to training_2/cp-0005.ckpt
......
Epoch 00050: saving model to training_2/cp-0050.ckpt
<tensorflow.python.keras.callbacks.History at 0x7efc7c3bbd30>现在，查看生成的检查点并选择最新的检查点：
latest = tf.train.latest_checkpoint(checkpoint_dir)
latest
'training_2/cp-0050.ckpt'注意：默认的tensorflow格式仅保存最近的5个检查点。
要测试，请重置模型并加载最新的检查点：
model = create_model()
model.load_weights(latest)
loss, acc = model.evaluate(test_images, test_labels)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))
1000/1000 [==============================] - 0s 84us/sample - loss: 0.4695 - accuracy: 0.8810Restored model, accuracy: 88.10%3. 这些文件是什么？
上述代码将权重存储到检查点格式的文件集合中，这些文件仅包含二进制格式的训练权重. 检查点包含： 一个或多个包含模型权重的分片； 索引文件，指示哪些权重存储在哪个分片。
如果您只在一台机器上训练模型，那么您将有一个带有后缀的分片：.data-00000-of-00001
4. 手动保存权重
上面你看到了如何将权重加载到模型中。手动保存权重同样简单，使用Model.save_weights方法。
# 保存权重
model.save_weights('./checkpoints/my_checkpoint')# 加载权重
model = create_model()
model.load_weights('./checkpoints/my_checkpoint')loss,acc = model.evaluate(test_images, test_labels)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))5. 保存整个模型
模型和优化器可以保存到包含其状态（权重和变量）和模型配置的文件中，这允许您导出模型，以便可以在不访问原始python代码的情况下使用它。由于恢复了优化器状态，您甚至可以从中断的位置恢复训练。
保存完整的模型非常有用，您可以在TensorFlow.js(HDF5, Saved Model) 中加载它们，然后在Web浏览器中训练和运行它们，或者使用TensorFlow Lite(HDF5, Saved Model)将它们转换为在移动设备上运行。
5.1. 作为HDF5文件
Keras使用HDF5标准提供基本保存格式，出于我们的目的，可以将保存的模型视为单个二进制blob。
model = create_model()model.fit(train_images, train_labels, epochs=5)# 保存整个模型到HDF5文件
model.save('my_model.h5')现在从该文件重新创建模型：
# 重新创建完全相同的模型，包括权重和优化器
new_model = keras.models.load_model('my_model.h5')
new_model.summary()
Model: "sequential_6"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_12 (Dense) (None, 512) 401920
_________________________________________________________________
dropout_6 (Dropout) (None, 512) 0
_________________________________________________________________
dense_13 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________检查模型的准确率:
loss, acc = new_model.evaluate(test_images, test_labels)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))
1000/1000 [==============================] - 0s 94us/sample - loss: 0.4137 - accuracy: 0.8540
Restored model, accuracy: 85.40%此方法可保存模型的所有东西： 权重值 模型的配置（架构） * 优化器配置
Keras通过检查架构来保存模型，目前它无法保存TensorFlow优化器（来自tf.train）。使用这些时，您需要在加载后重新编译模型，否则您将失去优化程序的状态。
5.2. 作为 saved_model
注意：这种保存tf.keras模型的方法是实验性的，在将来的版本中可能会有所改变。
创建一个新的模型：
model = create_model()model.fit(train_images, train_labels, epochs=5)创建saved_model，并将其放在带时间戳的目录中：
import time
saved_model_path = "./saved_models/{}".format(int(time.time()))tf.keras.experimental.export_saved_model(model, saved_model_path)
saved_model_path
'./saved_models/1555630614'从保存的模型重新加载新的keras模型：
new_model = tf.keras.experimental.load_from_saved_model(saved_model_path)
new_model.summary()
Model: "sequential_7"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_14 (Dense) (None, 512) 401920
_________________________________________________________________
dropout_7 (Dropout) (None, 512) 0
_________________________________________________________________
dense_15 (Dense) (None, 10) 5130
=================================================================
Total params: 407,050
Trainable params: 407,050
Non-trainable params: 0
_________________________________________________________________运行加载的模型进行预测：
model.predict(test_images).shape
(1000, 10)
# 必须要在评估之前编译模型
# 如果仅部署已保存的模型，则不需要此步骤 new_model.compile(optimizer=model.optimizer, # keep the optimizer that was loadedloss='sparse_categorical_crossentropy',metrics=['accuracy'])# 评估加载后的模型
loss, acc = new_model.evaluate(test_images, test_labels)
print("Restored model, accuracy: {:5.2f}%".format(100*acc))
1000/1000 [==============================] - 0s 102us/sample - loss: 0.4367 - accuracy: 0.8570Restored model, accuracy: 85.70%6. 下一步是什么
这是使用tf.keras保存和加载的快速指南。
- tf.keras指南显示了有关使用tf.keras保存和加载模型的更多信息。
- 在eager execution期间保存，请参阅在Saving in eager。
- 保存和还原指南包含有关TensorFlow保存的低阶详细信息。
最新版本：https://www.mashangxue123.com/tensorflow/tf2-tutorials-keras-save_and_restore_models.html
英文版本：https://tensorflow.google.cn/alpha/tutorials/keras/save_and_restore_models
翻译建议PR：https://github.com/mashangxue/tensorflow2-zh/edit/master/r2/tutorials/keras/save_and_restore_models.md
_MySQL中采用类型varchar(20)和varchar(255)对性能上的影响)
