Python 加载 TensorFlow 模型的注意事项

import tensorflow as tf  
# 加载模型  
loaded_model = tf.saved_model.load('./saved_model')  
# 查看模型的签名  
print(list(loaded_model.signatures.keys()))  
# 假设你的模型有一个名为`serving_default`的签名，并且接受一个名为`input`的输入  
# 你可以这样使用模型进行预测（假设输入数据为x_test）  
# 注意：这里的x_test需要根据你的模型输入进行调整  
import numpy as np  
# 假设输入是一个简单的numpy数组  
x_test = np.random.random((1, 28, 28, 1))  # 例如，用于MNIST模型的输入  
# 转换为Tensor  
x_test_tensor = tf.convert_to_tensor(x_test, dtype=tf.float32)  
# 创建一个批次，因为大多数模型都期望批次输入  
input_data = {'input': x_test_tensor}  
# 调用模型  
predictions = loaded_model.signatures['serving_default'](input_data)  
# 打印预测结果  
print(predictions['output'].numpy())  # 注意：这里的'output'需要根据你的模型输出调整

from tensorflow.keras.models import load_model  
# 加载模型  
model = load_model('model.h5')  
# 查看模型结构  
model.summary()  
# 假设你有一组测试数据x_test和y_test  
# 注意：这里的x_test和y_test需要根据你的数据集进行调整  
import numpy as np  
x_test = np.random.random((10, 28, 28, 1))  # 假设的输入数据  
y_test = np.random.randint(0, 10, size=(10, 1))  # 假设的输出数据  
# 使用模型进行预测  
predictions = model.predict(x_test)  
# 打印预测结果  
print(predictions)

import tensorflow as tf  
# 加载SavedModel  
model_path = './path_to_your_saved_model'  # 替换为你的SavedModel路径  
loaded_model = tf.saved_model.load(model_path)  
# 查看模型的签名  
print(list(loaded_model.signatures.keys()))  # 通常会有一个'serving_default'  
# 假设你的模型有一个名为'serving_default'的签名，并且接受一个名为'input'的输入  
# 你可以这样使用模型进行预测（假设你已经有了适当的输入数据x_test）  
# 注意：这里的x_test需要根据你的模型输入进行调整  
# 假设x_test是一个Tensor或者可以转换为Tensor的numpy数组  
import numpy as np  
x_test = np.random.random((1, 28, 28, 1))  # 例如，对于MNIST模型的一个输入  
# 将numpy数组转换为Tensor  
x_test_tensor = tf.convert_to_tensor(x_test, dtype=tf.float32)  
# 创建一个字典，将输入Tensor映射到签名的输入参数名（这里是'input'）  
# 注意：'input'这个名称需要根据你的模型签名进行调整  
input_data = {'input': x_test_tensor}  
# 调用模型  
predictions = loaded_model.signatures['serving_default'](input_data)  
# 获取预测结果  
# 注意：这里的'output'需要根据你的模型输出签名进行调整  
# 如果你的模型有多个输出，你可能需要访问predictions字典中的多个键  
predicted_output = predictions['output'].numpy()  
# 打印预测结果  
print(predicted_output)

import tensorflow as tf  
# 指定SavedModel的保存路径  
saved_model_path = './path_to_your_saved_model'  # 请替换为你的SavedModel实际路径  
# 加载SavedModel  
loaded_model = tf.saved_model.load(saved_model_path)  
# 查看模型的签名  
# 注意：SavedModel可以有多个签名，但通常会有一个默认的'serving_default'  
print(list(loaded_model.signatures.keys()))  
# 假设模型有一个默认的'serving_default'签名，并且我们知道它的输入和输出  
# 通常，这些信息可以在保存模型时通过tf.function的inputs和outputs参数指定  
# 准备输入数据  
# 这里我们使用随机数据作为示例，你需要根据你的模型输入要求来调整  
import numpy as np  
# 假设模型的输入是一个形状为[batch_size, height, width, channels]的Tensor  
# 例如，对于MNIST模型，它可能是一个形状为[1, 28, 28, 1]的Tensor  
input_data = np.random.random((1, 28, 28, 1)).astype(np.float32)  
# 将numpy数组转换为Tensor  
input_tensor = tf.convert_to_tensor(input_data)  
# 创建一个字典，将输入Tensor映射到签名的输入参数名  
# 注意：这里的'input_tensor'需要根据你的模型签名中的输入参数名来调整  
# 如果签名中的输入参数名确实是'input_tensor'，则保持不变；否则，请替换为正确的名称  
# 但在很多情况下，默认的名称可能是'input'或类似的东西  
input_dict = {'input': input_tensor}  # 假设输入参数名为'input'  
# 调用模型进行预测  
# 使用签名对应的函数，并传入输入字典  
predictions = loaded_model.signatures['serving_default'](input_dict)  
# 获取预测结果  
# 预测结果通常是一个字典，其中包含了一个或多个输出Tensor  
# 这里的'output'需要根据你的模型签名中的输出参数名来调整  
# 如果签名中只有一个输出，并且它的名字是'output'，则可以直接使用；否则，请替换为正确的键  
predicted_output = predictions['output'].numpy()  
# 打印预测结果  
print(predicted_output)  
# 注意：如果你的模型有多个输出，你需要从predictions字典中访问每个输出  
# 例如：predictions['second_output'].numpy()