TensorFlow加载参数时路径怎么写？

1. 加载由 tf.keras 训练并保存的模型（最常见、最推荐的方式）
2. 加载由原生 TensorFlow 或 TensorFlow 1.x 保存的检查点

下面我将详细讲解这两种方法。

加载由 tf.keras 保存的模型 (推荐)

当你使用 tf.keras 构建和训练模型时，最佳实践是使用 model.save() 方法，这个方法不仅保存了模型的权重，还保存了模型的结构、配置和优化器的状态。

保存模型

在训练完成后,你可以用以下方式保存整个模型：

import tensorflow as tf
# 1. 创建并编译一个简单的模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
# (这里省略训练过程 model.fit(...))
# 2. 保存整个模型到单个文件
# 这会保存模型架构、权重、训练配置（优化器、损失等）
model.save('my_keras_model.keras')
# 或者保存为 TensorFlow SavedModel 格式（更通用，推荐用于部署）
# model.save('my_keras_model_tf')

加载模型

加载模型非常简单,只需一行代码：

# 方法 A: 加载 .keras 格式 (HDF5)
# 这是最直接的方式
loaded_model = tf.keras.models.load_model('my_keras_model.keras')
# 方法 B: 加载 TensorFlow SavedModel 格式
# loaded_model = tf.keras.models.load_model('my_keras_model_tf')
# 3. 验证加载的模型
# 检查模型结构
loaded_model.summary()
# 检查模型是否能正常工作
# 假设我们有一些测试数据
import numpy as np
test_data = np.random.rand(1, 784) # 创建一个随机样本
prediction = loaded_model.predict(test_data)
print("Prediction:", prediction)

优点：

• 极其方便：一个函数 load_model() 搞定所有事情。
• 完整性：保存了模型的所有信息，无需重新定义模型结构。
• 鲁棒性：tf.keras 会自动处理版本兼容性问题。

加载原生 TensorFlow 检查点

在某些情况下,你可能不使用 tf.keras，或者你想在训练过程中定期保存检查点以便从中断处恢复，这时你会使用 tf.train.Checkpoint。

保存检查点

你需要明确指定要保存哪些对象（通常是模型、优化器等）。

import tensorflow as tf
# 1. 创建模型和优化器
# 注意：这里使用的是原生 TensorFlow 层，而不是 Keras 层
model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])
optimizer = tf.keras.optimizers.Adam()
# 2. 创建一个检查点对象
# 你需要告诉它要保存哪些对象
checkpoint = tf.train.Checkpoint(model=model, optimizer=optimizer)
# 3. 定义检查点管理器（可选但推荐）
# 它可以帮助你管理多个检查点文件，只保留最新的 N 个
checkpoint_manager = tf.train.CheckpointManager(checkpoint, directory='./checkpoints', max_to_keep=3)
# (这里省略训练过程)
# 在训练循环中，定期保存
# for epoch in range(epochs):
#     # ... 训练步骤 ...
#     if epoch % 5 == 0:
#         save_path = checkpoint_manager.save()
#         print(f"Saved checkpoint at {save_path}")

加载检查点

加载检查点时,你需要先创建一个完全相同结构的模型和优化器实例，然后调用 checkpoint.restore()。

# 1. 重新创建一个完全相同的模型和优化器结构
# 这一步至关重要！模型的结构必须和保存时一模一样。
new_model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])
new_optimizer = tf.keras.optimizers.Adam()
# 2. 创建一个新的检查点对象，指向相同的目录
new_checkpoint = tf.train.Checkpoint(model=new_model, optimizer=new_optimizer)
new_checkpoint_manager = tf.train.CheckpointManager(new_checkpoint, directory='./checkpoints', max_to_keep=3)
# 3. 恢复最新的检查点
# restore() 方法会返回一个状态对象，你可以用它来检查是否加载成功
status = new_checkpoint_manager.restore(new_checkpoint_manager.latest_checkpoint)
if status.assert_existing_objects_matched():
    print("检查点加载成功！模型权重已恢复。")
else:
    print("警告：检查点中的某些对象在当前模型中找不到对应项。")
# 4. 验证模型
# 模型现在已经加载了权重，可以用来进行预测
new_model.summary()
test_data = np.random.rand(1, 784)
prediction = new_model.predict(test_data)
print("Prediction from restored model:", prediction)

关键点：

• 结构必须匹配：加载时创建的模型结构（层数、类型、形状等）必须与保存时完全一致，否则，TensorFlow 无法将权重张量映射到模型的变量上。
• 显式指定对象：在创建 tf.train.Checkpoint 时，必须显式地将需要保存和恢复的对象（如 model, optimizer）作为参数传入。
• 检查状态：restore() 返回一个 tf.train.CheckpointStatus 对象，可以用来验证加载是否成功。

总结与对比

最佳实践建议

1. 优先使用 tf.keras：如果你的模型是用 Keras 构建的，请始终使用 model.save() 和 tf.keras.models.load_model()，这是最简单、最可靠、最不容易出错的方法。
2. 仅在必要时使用 tf.train.Checkpoint：当你需要非常精细地控制训练过程，或者使用非 Keras 的原生 TensorFlow API 时，才使用 tf.train.Checkpoint，对于绝大多数深度学习任务，Keras 已经足够强大和方便。
3. 保存路径：将模型文件和检查点文件保存在一个专门的目录中，便于管理。
4. 版本控制：对于重要的模型，考虑将 .keras 文件或 SavedModel 目录放入你的版本控制系统（如 Git），对于非常大的模型，可以只保存模型架构文件（JSON/YAML）和权重文件（HDF5），但 SavedModel 格式通常是更好的选择。