巧用 TensorFlow 灵活加载多个模型，让深度学习更轻松

2023-11-09 02:40:13

在深度学习的世界中，TensorFlow是一个不可或缺的利器。它可以帮助我们轻松构建和训练复杂的模型，但如果您想将这些模型保存下来以便将来使用，或者想将多个模型组合在一起以获得更好的结果，您需要知道如何加载它们。

TensorFlow提供了多种加载模型的方法，具体取决于您要加载的模型类型。在本文中，我们将重点介绍如何加载单个模型和如何加载多个模型。

加载单个模型

加载单个模型非常简单。您只需要使用tf.saved_model.load()函数即可。该函数接受一个路径作为参数，该路径指向您要加载的模型。例如，以下代码将加载名为“my_model”的模型：

model = tf.saved_model.load("my_model")

加载模型后，您就可以使用它来进行推理。例如，以下代码使用加载的模型来对一张图像进行分类：

image = tf.keras.preprocessing.image.load_img("image.jpg")
image = tf.keras.preprocessing.image.img_to_array(image)
image = np.expand_dims(image, axis=0)

predictions = model.predict(image)

print("Predicted class:", np.argmax(predictions[0]))

加载多个模型

加载多个模型的方法与加载单个模型的方法类似。您只需要使用tf.saved_model.load()函数来加载每个模型即可。例如，以下代码将加载名为“model_1”和“model_2”的两个模型：

model_1 = tf.saved_model.load("model_1")
model_2 = tf.saved_model.load("model_2")

加载多个模型后，您就可以使用它们来进行推理。例如，以下代码使用加载的两个模型来对一张图像进行分类：

image = tf.keras.preprocessing.image.load_img("image.jpg")
image = tf.keras.preprocessing.image.img_to_array(image)
image = np.expand_dims(image, axis=0)

predictions_1 = model_1.predict(image)
predictions_2 = model_2.predict(image)

print("Predicted class by model_1:", np.argmax(predictions_1[0]))
print("Predicted class by model_2:", np.argmax(predictions_2[0]))