Keras的方式
Keras版本模型保存与加载
函数
保存模型权重：model.save_weights
保存HDF5文件：model.save
保存pb文件：tf.saved_model
tf.saved_model和model.save的区别在于，tf.saved_model格式的模型可以直接用来预测，但是tf.saved_model没有保存优化器配置，而model.save保存了优化器配置，所以整体更大。
保存模型权重方法仅仅保存了模型中的权重，而保存模型文件的model.save可以将模型和优化器一起保存，包括权重（weights）、模型配置（architecture）和优化器配置（optimizer configuration）。这样做的好处是，当你恢复模型时，完全不依赖于原来搭建模型的代码。
保存完整的模型有很多应用场景，比如在浏览器中使用TensorFlow.js加载运行，比如在移动设备上使用TensorFlow Lite加载运行。
使用
保存为pd格式
保存：model.save("要保存的目录名称")
读取：model = tf.keras.models.load_model('保存模型的目录名称')
保存为hdf5格式
同上，只是写的不再是目录名称，而是'xxx.h5'
注意：
如果发生报错：model_config = json.loads(model_config.decode('utf-8'))
原因：tensorflow2.1.0支持h5py<3.0.0 而在安装tensorflow会自动安装h5py 3.1.0 。
旧版本的方式（v1.x）
我没安装这个版本的tensorflow，没有经过测试
函数
函数：tf.train.Saver(var_list=none,max_to_keep=5)
- 保存和加载模型，文件格式：checkpoint文件（扩展名：ckpt）
- var_list：指定要保存和还原的变量，可以作为一个dict或一个列表传递
- max_to_keep：指示要保留的最近检查点文件的最大数量。创建新文件时，会删除较旧的文件，如果无或者0，则保留所有检查点文件。默认为5（保留最新的5个检查点文件）
使用方法
旧版本使用办法）（1.x）
saver = tf.train.Saver() saver.save(Model,"./路径/文件名.ckpt") saver.restore(Model,"./路径/文件名.ckpt")
