2、Keras模型保存与加载：使用model.save()保存完整模型，使用load_model()恢复模型
好，咱们接着聊模型保存。上一节我们讲了Checkpoint，那是训练过程中的“快照”。但如果你模型训练完了，想直接一把梭——把整个模型结构、权重、优化器状态全存下来，怎么办？
Keras给了我们一个非常方便的方法：model.save()。我个人习惯在模型训练结束后，直接用这个命令把完整模型存成一个文件。下次要用，一行load_model()就全回来了。
2.1 model.save()：一键打包，省心省力
这个API说白了就是“全量备份”。它会把以下内容全部打包进一个文件：
- 模型架构：你定义的那些层、连接方式
- 模型权重：训练好的参数值
- 训练配置：损失函数、优化器、评估指标
- 优化器状态：比如Adam的动量参数，方便你接着训练
代码极其简单，就一行：
# 假设你有一个训练好的模型叫 model
model.save('my_complete_model.keras')嗯，这里要注意文件后缀。Keras推荐用.keras格式，这是TensorFlow 2.x的原生格式。当然你也可以用.h5，但.keras更现代，兼容性更好。
我的小建议： 我在项目中遇到过用
.h5保存后，换了个TensorFlow版本就加载报错的情况。后来我统一改用.keras格式，再没出过这种问题。所以，能用新格式就别用旧的了。
2.2 load_model()：一键恢复，原封不动
恢复模型就更简单了：
from tensorflow.keras.models import load_model
# 恢复完整模型
restored_model = load_model('my_complete_model.keras')
# 直接使用，就像没停过一样
predictions = restored_model.predict(x_test)你想想看，这有多方便？模型结构、权重、优化器状态，全部自动恢复。你甚至可以直接调用restored_model.fit()继续训练，优化器的状态都还在。
关键点： load_model() 恢复出来的模型，和你保存时的模型是完全一样的对象。你可以对它做任何操作——预测、评估、继续训练，都没问题。
2.3 实战示例：完整流程
我给大家写一个完整的例子，从训练到保存再到恢复：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.datasets import mnist
# 1. 准备数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
# 2. 构建模型
model = Sequential([
Flatten(input_shape=(28, 28)),
Dense(128, activation='relu'),
Dense(10, activation='softmax')
])
# 3. 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 4. 训练模型
model.fit(x_train, y_train, epochs=5, validation_split=0.2)
# 5. 保存完整模型
model.save('mnist_model.keras')
print("模型已保存！")
# 6. 恢复模型
restored_model = load_model('mnist_model.keras')
# 7. 验证恢复的模型
loss, acc = restored_model.evaluate(x_test, y_test)
print(f"恢复模型的准确率: {acc:.4f}")运行这段代码，你会看到保存和恢复后的模型准确率完全一致。为什么会这样？因为保存的是完整状态，不是只存权重。
2.4 两种保存格式对比
| 特性 | .keras 格式 | .h5 格式 |
|---|---|---|
| 保存内容 | 架构 + 权重 + 优化器状态 | 架构 + 权重 + 优化器状态 |
| 文件大小 | 略小 | 略大 |
| 跨版本兼容性 | 好（推荐） | 一般（可能出问题） |
| 是否支持自定义层 | 需要额外处理 | 需要额外处理 |
避坑指南： 我曾经在项目中用
.h5保存模型，然后升级了TensorFlow版本，结果加载时报错说“无法识别某些配置”。后来我查了半天，发现是格式兼容性问题。从那以后，我所有新项目都只用.keras格式。如果你也在用旧版本TensorFlow，建议先升级到2.6以上。
2.5 什么时候用model.save()？
我个人总结了几种场景：
- 模型部署：训练完直接保存，然后丢给TensorFlow Serving或TFLite
- 模型分享：把完整模型发给同事，对方直接load就能用
- 断点续训：保存完整状态，下次接着训练，优化器状态不丢失
- 模型归档：把最终版本存下来，方便以后复现结果
说白了，只要你想“一次保存，永久使用”，就用model.save()。它是最省心的方式。
2.6 注意事项
嗯，这里有几个坑我得提醒你：
- 自定义层/损失函数：如果你的模型用了自定义层，加载时需要传入
custom_objects参数。比如：load_model('model.keras', custom_objects={'MyLayer': MyLayer}) - 文件路径：保存时如果路径不存在，不会自动创建目录。记得先
os.makedirs() - 大模型：如果你的模型特别大（比如几百MB），保存和加载会慢一些。这时候可以考虑只保存权重，但那就不是完整模型了
我的经验： 如果你在训练过程中想定期保存，建议用上一节讲的Checkpoint。如果训练结束了，想保存最终版本，就用
model.save()。两者分工不同，别搞混了。
好了，这一节就到这里。下一节我们会讲如何只保存模型权重，以及什么时候该用那种方式。你想想看，是不是已经对模型保存有了更清晰的认识？