网站个人主页,教育培训学校,开发平台免费版,家纺营销型网站目的:将训练好的模型保存为文件，下次使用时直接加载即可，不必重复建模训练。
神经网络模型训练好之后，可以保存为文件以持久存储，这样下次使用时就不重新建模训练，直接加载就可以。TensorfLow提供了灵活的模型保存方案，既可以同时保存网络结构和权重(即保存全模型)，也可…目的:将训练好的模型保存为文件，下次使用时直接加载即可，不必重复建模训练。
神经网络模型训练好之后，可以保存为文件以持久存储，这样下次使用时就不重新建模训练，直接加载就可以。TensorfLow提供了灵活的模型保存方案，既可以同时保存网络结构和权重(即保存全模型)，也可以仅保存权重或网络结构。本章节通过案例来学习和掌握模型的多种保存方法。
学习内容: a)全模型的保存与加载、使用 b)权重数据的保存及加载 c)网络结构的保存及加载
学习目标: 掌握全模型信息的保存与加载方法 掌握权重数据的保存及加载方法 掌握网络结构的保存及加载方法
方案一:保存全模型（网络结构+权重+编译配置)
1、搭建并训练好神经网络模型
from tensorflow.keras import datasets，layers，modelsmodel = models.Sequential() # 定义模型对象model.add(layers.Dense(512，activation = 'relu'， input_shape = (28*28，))) # 输入层model.add(layers.Dense(10,activation = 'softmax')) #输出层model.summary()输出结果: #加载、处理数据
(X_train,y_train)，(X_test#
