本文地址：https://www.cnblogs.com/tujia/p/13862360.html
系列文章：
【1】TensorFlow光速入门-tensorflow开发基本流程
【2】TensorFlow光速入门-数据预处理（得到数据集）
【4】TensorFlow光速入门-保存模型及加载模型并使用
【6】TensorFlow光速入门-python模型转换为tfjs模型并使用
一、保存模型
创建一个目录
!mkdir /tf/saved_model
注：jupyter 代码块前面加一个!号表示，这是shell命令，不是代码；
保存模型
model.save('/tf/saved_model/wnw')
保存模型的其他参数及操作，看这里 https://tensorflow.google.cn/api_docs/python/tf/keras/Model#save
二、加载模型
import tensorflow as tf
from tensorflow import keras
import numpy as np
from IPython import display
import random # 加载模型
model = keras.models.load_model('/tf/saved_model/wnw')
# 看一下模型的结构
model.summary() # 随便找点图片
all_image_paths = []
data_root = pathlib.Path('/tf/datasets/wnw')
for item in data_root.rglob('*.jpg'):
all_image_paths.append(str(item))
print(len(all_image_paths)) # 随机选取一张图片
img_path = random.choice(all_image_paths)
print(img_path) # 把图片处理成需要的tensor
image = tf.io.read_file(img_path)
image = tf.image.decode_image(image, channels=1)
image = tf.image.resize(image, (100, 100))
image /= 255
print(image.shape) # 预测只支持批量操作，我们给单张图片再加一维
images = (np.expand_dims(image, 0))
print(images.shape)
# 预测
predictions = model.predict(images) # 打印结果
label_names = ['other', 'watch']
label = np.argmax(predictions[0])
print(label_names[label]) # 把图片也打印出来，看一下预测效果对不对
display.display(display.Image(img_path, width=200, height=200))
注：
用于预测的图片数据要和训练的图片数据保持一致：
简单来说，训练不一定要100*100的灰图，我可以是80*80的灰图或彩图，都没关系。
重要的是，用使用模型的时候，要先把预测数据转换成训练集数据一样的格式
重点：
model.save https://tensorflow.google.cn/api_docs/python/tf/keras/Model#save
keras.models.load_model https://tensorflow.google.cn/api_docs/python/tf/keras/models/load_model
至此，我们已经可以加载并使用模型了。我们可以用python封装程序成web服务api，以供调用。不过像图片分类这一类，频繁的拍照上传图片调用api也不太好。
这里，我们已经实现了在【序】里说的一个小目标：使用模型！！
在网上下载的第三方开源模型，只要知道它的用途及其输入参数（input_shape）数据格式，我们就可以用 tf.io、tf.image、tf.data.Dataset 等api接口处理数据成所需格式，然后就可以直接评测（使用）了
下一节，我们先整理一下图片分类的完整代码，然后下下节，我们再说一下怎样使用tfjs直接加载模型（不需要调python服务）
【6】TensorFlow光速入门-python模型转换为tfjs模型并使用
本文链接：https://www.cnblogs.com/tujia/p/13862360.html
完。