模型在训练过程中或者在训练之后，模型的执行过程能被保存，也就是，模型能从暂停中恢复以免训练的时间过长。因此，被保存的模型可以被共享，其他人可以重新构建相同的模型。被保存的模型以如下的两种方式进行共享：
|
安装类库
如上所示，安装保存模型的类库、工具集，并导入其支持的函数，其中，以HDF5的文件格式保存模型。
加载数据样本
如上所示，加载mnist训练数据集，该数据集是流行服饰的图片数据集，其中，train_images是训练的图片数据集，train_labels是训练的标签数据集，分别使用mnist数据集的前1000条记录。
定义模型
如上所示，定义创建序列模型的函数、创建模型，其中，该模型仅定义一个全连接层、每层512个单元、使用删除正则化机制、使用Adam优化器优化模型。
保存检查点
检查点是用于保证训练过程的可用性，当训练过程被中断，设置检查点可以保存中断之前的训练数据，例如，保存了训练过程的权重或者参数，用户可以从检查点中恢复训练。Keras技术框架提供tf.keras.callbacks.ModelCheckpoint工具类用于保存训练过程的检查点，用户使用检查点可以持续地保存训练过程或者训练结束的训练数据。
检查点回调（callback）
如上所示，以回调的方式创建了一个模型的检查点，其中，checkpoint_path是保存检查点对应的文件路径，cp_callback是创建一个检查点函数，callbacks=[cp_callback]是为模型设置了训练过程中回调检查点函数、持续地保存训练过程中的检查点，该函数是在每次训练迭代结束的时候被回调，训练多次迭代则多次回调。
如上所示，显示训练结束之后，检查点保存路径下的文件信息。
如上所示，先创建一个模型model，在训练之前对模型执行测试评估，显示其准确度只有7%，使用模型的load_weights函数加载之前训练的检查点，创建一个权重都相同的模型，然后执行测试评估，显示其准确度达到86.60%（重用已训练完成的模型，包括权重）。
检查点选项设置
如上所示，用户可以根据实际情况设置检查点的参数选项，例如，checkpoint_path可以设置每次训练迭代保存的检查点的名称，save_freq设置检查点保存的频率，每多少次训练迭代保存一次检查点，日志显示每5次训练迭代记录一次检查点。
如上所示，显示模型检查点保存的文件列表，以及显示最后一个检查点。
如上所示，使用load_weights函数加载模型的最后一次训练的检查点，其包括该次检查点的权重，然后，执行模型的测试评估，其准确度达到87.30%。
检查点文件属性
检查点文件是二进制格式的字节文件，其中保存了训练过程中学习到的权重信息，其描述如下所示：
|
在单节点的机器中训练模型，则生成的其中一个分片的检查点文件的后缀是.data-00000-of-00001。
手动保存权重
如上所示，使用模型的save_weights保存模型的权重，load_weights函数是加载已保存的权重，然后，使用测试数据集对模型执行测试评估，其准确度达到87.30%。
保存完整模型
使用keras技术框架的tf.keras.Model.save函数可以保存完整的模型，该保存方式包括模型的架构、模型权重、模型训练的设置，该保存方式可以让用户直接重用已保存的模型，而不用修改模型的代码，也就是，由于优化器的状态能被恢复，用户可以直接恢复模型到上次训练暂停的时候。该保存方式的包括两种格式，SavedModel以及HDF5，其中，SavedModel是默认的保存格式。
SavedModel格式
如上所示，使用模型的save函数保存完整的已训练完成的模型。
如上所示，显示保存模型的文件列表，然后，使用load_model函数加载已保存的模型，输出模型的汇总信息。
如上所示，重新加载了已训练完成、完整的、相同的模型，然后，使用模型进行测试评估、预测。
HDF5格式
如上所示，创建一个模型、对模型执行训练、以HDF5的格式保存完整的模型。
如上所示，重新加载HDF5格式的已经保存的模型，输出模型汇总信息。
如上所示，使用测试数据集对重新加载的模型执行测试评估，其准确度达到85.90%。
由以上的分析可知，Keras技术框架保存模型的信息如下所示：
|
（未完待续）
