tensorflow中的模型常常是protobuf格式，这种格式既可以是二进制也可以是文本。keras模型保存和加载与tensorflow不同，keras中的模型保存和加载往往是保存成hdf5格式。

keras的模型保存分为多种情况。

一、不保存模型只显示大概结构

• model.summary()
  这个函数会打印模型结构，但是仅仅是打印到控制台。

• keras.utils.plot_model()
  使用graphviz中的dot.exe生成网络结构拓扑图

二、保存模型结构

• keras.models.Model对象的to_json,to_yaml
  只保存模型结构，加载时使用keras.models.model_from_json(),keras.models.model_from_yaml()

• keras.model.get_config()返回文本形式的配置
  使用keras.model.model_from_config可以加载模型。

三、保存全部结构

keras.core.saving.py这个文件十分重要，keras的模型保存、加载都需要这个文件。
但是不建议直接使用这个文件，因为keras中的Model对象和models模块会调用这个文件。
keras.core包下的内容一般供内部使用，不暴露给使用者。

Model对象提供了save()和save_wights()两个方法。save()方法保存了三种东西：

• 模型结构
• 模型参数
• 优化器参数

其中优化器参数是给优化器用的，用于继续训练模型。有些优化器比如AdamOptimizer需要根据训练步数来调整不同参数的学习速率，这样在分阶段训练模型时才能够保证正确。save()函数保存结果就是一个hdf5文件，不像tensorflow一下子保存好多种文件。tensorflow把模型结构和权重分开保存，目的是多个权重文件可以共用一个模型结构文件，但是模型结构文件通常非常小，所占空间远远小于参数所占空间。

Model对象的save_weights()方法只保存了模型参数而没有保存模型结构，它的保存格式也是hdf5。它保存的数据不能用于继续训练模型。

Model实例的save()方法有一个等价方式：使用models.save_model()。

对于使用save()方法保存的文件，可以使用models.load_model()进行加载，此函数直接返回一个Model对象。因为save()方法保存了模型的全部内容，所以可以直接“无中生有”创造一个模型。

对于使用save_weights()方法保存的文件，只能通过Model对象提供的load_weights()方法加载模型权重。 并且，在加载模型权重之前，必须把网络结构定义好，并且模型的各个层的名称必须与保存模型权重时的各个层保持一致。