深度学习:如何保存计算模型以进行预测，以及如何在以后加载它

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 创建模型
model = Sequential()
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型（假设已经完成了训练）
# model.fit(...)

# 保存整个模型（包括结构、权重和优化器状态）
model.save("my_model.h5")

import tensorflow as tf

# 假设model是已经编译和训练好的Keras模型
tf.saved_model.save(model, "saved_model_directory")

import torch
import torch.nn as nn

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.layer = nn.Linear(100, 10)

    def forward(self, x):
        return self.layer(x)

model = MyModel()

# 训练模型（假设已经完成了训练）
# ...

# 保存模型权重
torch.save(model.state_dict(), "my_model.pth")

from tensorflow.keras.models import load_model

# 加载整个模型
model = load_model("my_model.h5")

# 使用模型进行预测
predictions = model.predict(input_data)

import tensorflow as tf

# 加载模型
loaded = tf.saved_model.load("saved_model_directory")

# 获取模型的签名函数
infer = loaded.signatures["serving_default"]

# 使用模型进行预测
predictions = infer(tf.constant(input_data))['output_0']

import torch
from my_model import MyModel  # 假设MyModel是你定义的模型类

# 实例化模型
model = MyModel()

# 加载模型权重
model.load_state_dict(torch.load("my_model.pth"))

# 设置模型为评估模式
model.eval()

# 使用模型进行预测
with torch.no_grad():
    predictions = model(input_data)