tf.saved_model.save(model, path_to_dir) 和 tf.keras.model.save 的区别

Posted 2023-05-07

【中文标题】tf.saved_model.save(model, path_to_dir) 和 tf.keras.model.save 的区别

【英文标题】：Difference between tf.saved_model.save(model, path_to_dir) and tf.keras.model.save

【发布时间】：2021-03-27 02:02:30

【问题描述】：

我有一个 keras 模型，想将其保存为张量流图。 tf.saved_model.save(model, path_to_dir) 和 tf.keras.model.save 有区别吗？

在这两个中，我想以tensorflow 保存的格式保存，并且不会使用h5 格式。我知道tf.saved_model.save 更通用，但如果我使用keras 模型，这两个模型无论如何都是不同的。

【问题讨论】：

如果给定的答案适合您，请告诉我。否则，您可以分享您的疑问，以便我们更新。谢谢。

【参考方案1】：

在一般情况下，应该没有任何区别。给出一个具体的答案，我们可以保存整个tf. keras模型——一个是TensorFlow SavedModel，另一个是.h5格式。

正如您所说，您有一个 keras 模型并想保存它的图形。你也可以这样做

Model.save 或 tf.keras.models.save_model

(1)
Model.save(
    filepath,
    overwrite=True,
    include_optimizer=True,
    save_format=None,
    signatures=None,
    options=None,
    save_traces=True,
)

(2)
tf.keras.models.save_model(
    model,
    filepath,
    overwrite=True,
    include_optimizer=True,
    save_format=None,
    signatures=None,
    options=None,
    save_traces=True,
)

(3)
# tf.saved_model.save(model, path_to_dir)
tf.saved_model.save(model,
                    export_dir, 
                    signatures, 
                    options)

如您所见，它们都采用相同的论点。我建议选择(1)或(2)，简单易学。下面是一个例子，我在 CIFAR 数据集上训练了一个函数模型，并使用 (1) 和 (2) 方法将模型保存如下。

func_model.fit(x_train, y_train, batch_size=128, epochs=2, verbose = 1)
1s/step - loss: 2.7365 - categorical_accuracy: 0.1088
1s/step - loss: 1.8353 - categorical_accuracy: 0.3905

# with (1)
func_model.save('/content/1/', 
                save_format='tf', save_traces=False)
INFO:tensorflow:Assets written to: /content/1/assets
INFO:tensorflow:Assets written to: /content/1/assets

# with (2)
tf.keras.models.save_model(func_model, '/content/2/', 
                           save_format='tf', save_traces=False)
INFO:tensorflow:Assets written to: /content/2/assets
INFO:tensorflow:Assets written to: /content/2/assets

加载并重新训练它们

from tensorflow.keras.models import  load_model

x = load_model('.//1/') 
y = load_model('.//2/')

x.fit(x_train, y_train, batch_size=128, epochs=1, verbose = 1)
1s/step - loss: 1.0963 - categorical_accuracy: 0.6780

y.fit(x_train, y_train, batch_size=128, epochs=1, verbose = 1)
1s/step - loss: 1.0963 - categorical_accuracy: 0.6780

---

还要注意有一个参数叫save_traces，默认设置为True。我将它设置为False，因为我不想这样做。新添加的，根据文档：

save_traces：（仅适用于 SavedModel 格式）启用后，SavedModel 将存储每一层的函数跟踪。这可以禁用，以便只存储每一层的配置。默认为真。禁用此功能将减少序列化时间并减小文件大小，但它要求所有自定义层/模型都实现 get_config() 方法。

---

另外仅供参考，当您保存整个模型时，如果您有自定义层状的东西，我想提醒您在加载模型时使用 custom_object 参数。

new_moedl = keras.models.load_model(
    "my_model", custom_objects="CustomModel": CustomModel
)

【讨论】：

感谢您的详细解答。如果您能回答，我有一个问题：不确定 custom_object 是做什么的。你能举个小例子吗？泰

看到这个帖子***.com/questions/62280161/…

谢谢 :) 祝你有美好的一天

【参考方案2】：

您是否介意检查一下： enter link description here

向下滚动到@WGierke 的答案，如果有帮助，请不要忘记投票，您将获得代码并正常加载您的模型。 代码示例：

    import tensorflow as tf
import tensorflow_hub as hub

m = tf.keras.Sequential([hub.KerasLayer("saved_model", trainable=True),
    tf.keras.layers.Dense(10, activation='softmax')
])
m.build([None, 224, 224, 3])
m.summary()

对我来说很好用。