tensorflow/guide/keras/serialization

TensorFlow Keras 模型序列化指南 📁

模型序列化是保存和加载Keras模型的核心功能，支持多种格式与场景。以下是关键方法与注意事项：

1. 模型保存与加载

• HDF5格式（推荐）

  model.save("model.h5")  # 保存模型
  model = keras.models.load_model("model.h5")  # 加载模型
  

  

• SavedModel格式（TF2默认）

  tf.saved_model.save(model, "saved_model_dir")  # 保存
  loaded = tf.saved_model.load("saved_model_dir")  # 加载
  

  ✔️ 适合部署与跨框架兼容，详见SavedModel文档。

2. 配置文件保存

• 通过JSON/YAML保存模型结构：

  json_config = model.to_json()  # 转换为JSON字符串
  with open("model.json", "w") as f:
      f.write(json_config)
  

  

• 模型权重单独保存：

  model.save_weights("weights.h5")  # 保存权重
  model.load_weights("weights.h5")  # 加载权重
  

3. 序列化模型对象

• 使用pickle序列化（需注意依赖兼容性）：

  import pickle
  with open("model.pkl", "wb") as f:
      pickle.dump(model, f)
  

  ⚠️ 仅适用于简单模型，复杂模型建议使用HDF5或SavedModel。

4. 自定义层与模型的序列化

• 自定义层需实现get_config方法：

  class CustomLayer(keras.layers.Layer):
      def get_config(self):
          return {"custom_attribute": self.custom_attribute}
  

• 模型需定义from_config方法以支持反序列化。

5. 模型格式转换

• HDF5转SavedModel：

  tf转化工具 --input_model model.h5 --output_saved_model saved_model_dir
  

  🔄 参考模型格式转换指南获取完整工具链。

📌 扩展阅读：
了解更多信息关于Keras模型的其他序列化策略。