本文地址：https://www.cnblogs.com/tujia/p/13862360.html

系列文章：

【0】TensorFlow光速入門-序

【1】TensorFlow光速入門-tensorflow開發基本流程

【2】TensorFlow光速入門-資料預處理（得到資料集）

【3】TensorFlow光速入門-訓練及評估

【4】TensorFlow光速入門-儲存模型及載入模型並使用

【5】TensorFlow光速入門-圖片分類完整程式碼

【6】TensorFlow光速入門-python模型轉換為tfjs模型並使用

【7】TensorFlow光速入門-總結

一、儲存模型

建立一個目錄

!mkdir /tf/saved_model

注：jupyter程式碼塊前面加一個!號表示，這是shell命令，不是程式碼；

儲存模型

model.save('/tf/saved_model/wnw')

儲存模型的其他引數及操作，看這裡https://tensorflow.google.cn/api_docs/python/tf/keras/Model#save

二、載入模型

import tensorflow as tf
from tensorflow import keras
import numpy as np
from IPython import display
import random

# 載入模型
model = keras.models.load_model('
 
/tf/saved_model/wnw')
# 看一下模型的結構
model.summary()

# 隨便找點圖片
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))

# 隨機選取一張圖片
img_path = random.choice(all_image_paths)
print(img_path)

# 把圖片處理成需要的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)

# 預測只支援批量操作，我們給單張圖片再加一維
images = (np.expand_dims(image, 0))
print(images.shape)
# 預測
predictions = model.predict(images)

# 列印結果
label_names = ['other', 'watch']
label = np.argmax(predictions[0])
print(label_names[label])

# 把圖片也打印出來，看一下預測效果對不對
display.display(display.Image(img_path, width=200, height=200))

注：

用於預測的圖片資料要和訓練的圖片資料保持一致：

簡單來說，訓練不一定要100*100的灰圖，我可以是80*80的灰圖或彩圖，都沒關係。

重要的是，用使用模型的時候，要先把預測資料轉換成訓練集資料一樣的格式

重點：

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，我們已經可以載入並使用模型了。我們可以用python封裝程式成web服務api，以供呼叫。不過像圖片分類這一類，頻繁的拍照上傳圖片呼叫api也不好。

下一節，我們先整理一下圖片分類的完整程式碼，然後下下節，我們再說一下怎樣使用tfjs直接載入模型（不需要調python服務）

【5】TensorFlow光速入門-圖片分類完整程式碼

【6】TensorFlow光速入門-python模型轉換為tfjs模型並使用

本文連結：https://www.cnblogs.com/tujia/p/13862360.html

完。