### 加载已保存的TensorFlow模型并进行预测 在 TensorFlow 中，可以通过多种方式加载已经保存的模型，并利用该模型进行预测。以下是具体实现方法： #### 1. 使用 `tf.keras.models.load_model` 方法加载 `.h5` 格式的模型 如果模型是以 Keras 的 HDF5 格式保存的（即扩展名为 `.h5`），可以使用以下代码加载模型并进行预测。 ```python import tensorflow as tf # 加载模型 model = tf.keras.models.load_model('less_model.h5') # 准备输入数据 input_data = ... # 输入数据应与模型训练时的数据格式一致 # 进行预测 predictions = model.predict(input_data) print(predictions) ``` 这种方法适用于保存了整个模型的情况，包括权重、架构和优化器配置[^2]。 --- #### 2. 使用 `tf.saved_model.load` 方法加载 SavedModel 格式的模型 如果模型是以 SavedModel 格式保存的，则可以使用 `tf.saved_model.load` 来加载模型，并调用其签名方法完成预测。 ```python import tensorflow as tf # 加载模型 loaded_model = tf.saved_model.load('./modelpb') # 获取模型的推理函数 infer = loaded_model.signatures["serving_default"] # 准备输入数据 input_data = ... # 数据需转换为张量形式，例如：tf.constant([[...]]) # 调用推理函数进行预测 predictions = infer(tf.constant(input_data))['output_name'] # 'output_name' 是输出层名称 print(predictions.numpy()) ``` SavedModel 格式默认保存了完整的模型结构及其依赖项，因此适合用于生产环境下的部署[^1]。 --- #### 3. 断点续训后的模型加载与预测 当需要恢复之前中断的训练状态并继续训练或直接进行预测时，可以结合回调机制来保存和加载模型。假设我们已经在训练过程中设置了检查点路径，那么可以直接加载最新的检查点文件。 ```python import tensorflow as tf # 定义模型（确保定义与原模型一致） model = ... # 加载最新检查点 checkpoint_dir = './training_checkpoints' latest_checkpoint = tf.train.latest_checkpoint(checkpoint_dir) if latest_checkpoint is not None: model.load_weights(latest_checkpoint) # 准备输入数据 input_data = ... # 测试集样本 # 预测 predictions = model.predict(input_data) print(predictions) ``` 这种方式特别适合于长期训练任务中频繁保存中间结果的情形[^3]。 --- ### 注意事项 - **输入数据预处理**：无论采用哪种加载方式，都需要保证测试阶段的输入数据经过相同的预处理流程，以匹配训练期间所使用的特征工程逻辑。 - **版本兼容性**：建议保持加载端的 TensorFlow 版本与保存端的一致，以免因 API 变更引发潜在错误。 ---