保存整个模型（架构 + 权重 + 优化器状态）

通常需要保存 TensorFlow 模型的完整状态，而不仅仅是其权重 (weight)。尽管使用 model.save_weights() 仅保存权重对于在相同架构之间迁移已学习的参数 (parameter)或作为轻量级检查点非常有用，但一个全面的方法涉及保存模型的整个状态。这不仅包含权重，还包括模型的架构（层之间的连接方式）及其训练配置（在 model.compile() 期间定义的优化器、损失函数 (loss function)和指标）。保存完整的模型可确保您或他人以后能够准确复原模型状态，用于推理 (inference)、后续训练或分析，而无需定义模型结构的原始代码。

TensorFlow 通过 Keras 提供了使用 model.save() 方法保存整个模型的直接方式。此方法打包了重建模型所需的一切。

保存完整模型：model.save()

model.save() 函数将模型序列化到指定路径。默认情况下，它使用 TensorFlow 的标准 SavedModel 格式，这是大多数使用场景（尤其是部署）的推荐方法。或者，您可以明确保存为较旧的 Keras HDF5 格式。

SavedModel 格式

当您调用 model.save() 并提供目录路径时，TensorFlow 会将模型保存为 SavedModel 格式。

# 假设 'model' 是一个已编译且已训练的 Keras 模型
# 将整个模型保存到名为 'my_full_model' 的目录中
model.save('my_full_model')

此命令会创建一个名为 my_full_model 的目录，其中包含以下组件：

1. saved_model.pb：这个 Protocol Buffer 文件存储了定义模型架构和计算逻辑的 TensorFlow 图。它包含前向传播（推理 (inference)）以及（如果适用）训练图。
2. variables/ 目录：此目录包含模型的已学习权重 (weight)（参数 (parameter)），以适合高效加载的格式存储。
3. assets/ 目录：一个可选目录，用于存放模型所需的任何外部文件，例如文本处理层所需的词汇文件。
4. keras_metadata.pb：存储 Keras 特定的元数据，包括优化器状态、损失配置以及在 model.compile() 期间定义的指标。这对于恢复训练非常重要。

SavedModel 格式是语言无关的，专为 TensorFlow Serving、TensorFlow Lite（用于移动/边缘设备）和 TensorFlow.js（用于网页浏览器）等服务环境设计。它不仅捕捉了 Keras 模型结构，还包含了底层的 TensorFlow 计算图，使其在部署中很有用。

Keras HDF5 格式（.h5 或 .keras）

您也可以将整个模型保存到一个 HDF5 文件中。这种格式将架构、权重和训练配置（优化器状态、损失函数 (loss function)、指标）打包到一个二进制文件中。尽管作为单个文件很方便，但 SavedModel 格式因其更广泛的兼容性和部署功能而通常更受青睐。

要以 HDF5 格式保存，请提供以 .h5 或较新的 .keras 扩展名（为 Keras V3 兼容性推荐）结尾的文件名。

# 将整个模型保存到单个 HDF5 文件（新格式）
model.save('my_full_model.keras')

# 将整个模型保存到单个 HDF5 文件（旧格式）
# model.save('my_full_model.h5')

这会创建一个单个文件（my_full_model.keras 或 my_full_model.h5），其中包含：

• 模型架构配置。
• 模型权重。
• 优化器状态（如果模型已编译）。
• 损失函数和指标（如果模型已编译）。

保存了什么？

当您使用 model.save() 保存整个模型（无论哪种格式）时，您保存了：

• 架构：层的配置及其连接方式。
• 权重 (weight)：层中所有已学习参数 (parameter)的值。
• 训练配置：所使用的优化器、其当前状态（如学习率调度进度、动量值）、损失函数 (loss function)以及在 model.compile() 中指定的任何指标。

这种完整性很重要，因为它使您能够重新加载模型并从上次停止的地方准确恢复训练，同时保持优化器的动量和学习率调整。它还确保评估加载的模型时使用与原始设置期间定义的相同指标。

加载已保存模型

使用 tf.keras.models.load_model() 来加载使用 model.save() 保存的模型。TensorFlow 会根据提供的路径自动检测格式（SavedModel 目录或 HDF5 文件）。

import tensorflow as tf

# 从 SavedModel 格式加载模型
loaded_model_sm = tf.keras.models.load_model('my_full_model')

# 从 HDF5 格式加载模型
loaded_model_h5 = tf.keras.models.load_model('my_full_model.keras') # or .h5

# 验证加载模型的结构
loaded_model_sm.summary()

load_model 函数重构模型架构、加载权重 (weight)并恢复训练配置（优化器、损失函数 (loss function)、指标）。加载的模型已使用保存的配置进行编译，并已准备好使用。

恢复训练和进行预测

加载完整保存模型的一个重要优点是能够继续训练或直接用于推理 (inference)。

# 假设您有新数据（new_data, new_labels）或想继续训练
# 加载的模型会记住其优化器状态和编译设置

# 例子：继续训练几个周期
history = loaded_model_sm.fit(training_data, training_labels, epochs=10, validation_data=(val_data, val_labels))

# 例子：对新的、未见过的数据进行预测
predictions = loaded_model_sm.predict(new_unseen_data)

由于优化器状态已保存和加载，训练会有效恢复，并基于之前的学习过程。

何时保存整个模型

保存整个模型通常是最好的方法，当：

• 您需要部署模型用于推理 (inference)时（SavedModel 格式是理想选择）。
• 您想暂停训练并在稍后准确地从停止的地方恢复时。
• 您需要与他人共享一个功能齐全、即时可用的模型时。
• 您想要一个特定模型版本的完整存档，包括其训练设置时。

与仅保存权重 (weight)相比，保存整个模型提供了一个更完整且可复现的快照，这对于可靠部署和协作工作流程很重要。请记住，SavedModel 格式是 TensorFlow 提供的用于共享和部署训练好的模型的标准且用途最广的选项。