import tensorflow as tf  
# 加載模型  
loaded_model = tf.saved_model.load('./saved_model')  
# 查看模型的簽名  
print(list(loaded_model.signatures.keys()))  
# 假設(shè)你的模型有一個(gè)名為`serving_default`的簽名，并且接受一個(gè)名為`input`的輸入  
# 你可以這樣使用模型進(jìn)行預(yù)測(cè)（假設(shè)輸入數(shù)據(jù)為x_test）  
# 注意：這里的x_test需要根據(jù)你的模型輸入進(jìn)行調(diào)整  
import numpy as np  
# 假設(shè)輸入是一個(gè)簡(jiǎn)單的numpy數(shù)組  
x_test = np.random.random((1, 28, 28, 1))  # 例如，用于MNIST模型的輸入  
# 轉(zhuǎn)換為T(mén)ensor  
x_test_tensor = tf.convert_to_tensor(x_test, dtype=tf.float32)  
# 創(chuàng)建一個(gè)批次，因?yàn)榇蠖鄶?shù)模型都期望批次輸入  
input_data = {'input': x_test_tensor}  
# 調(diào)用模型  
predictions = loaded_model.signatures['serving_default'](input_data)  
# 打印預(yù)測(cè)結(jié)果  
print(predictions['output'].numpy())  # 注意：這里的'output'需要根據(jù)你的模型輸出調(diào)整

from tensorflow.keras.models import load_model  
# 加載模型  
model = load_model('model.h5')  
# 查看模型結(jié)構(gòu)  
model.summary()  
# 假設(shè)你有一組測(cè)試數(shù)據(jù)x_test和y_test  
# 注意：這里的x_test和y_test需要根據(jù)你的數(shù)據(jù)集進(jìn)行調(diào)整  
import numpy as np  
x_test = np.random.random((10, 28, 28, 1))  # 假設(shè)的輸入數(shù)據(jù)  
y_test = np.random.randint(0, 10, size=(10, 1))  # 假設(shè)的輸出數(shù)據(jù)  
# 使用模型進(jìn)行預(yù)測(cè)  
predictions = model.predict(x_test)  
# 打印預(yù)測(cè)結(jié)果  
print(predictions)

import tensorflow as tf  
# 加載SavedModel  
model_path = './path_to_your_saved_model'  # 替換為你的SavedModel路徑  
loaded_model = tf.saved_model.load(model_path)  
# 查看模型的簽名  
print(list(loaded_model.signatures.keys()))  # 通常會(huì)有一個(gè)'serving_default'  
# 假設(shè)你的模型有一個(gè)名為'serving_default'的簽名，并且接受一個(gè)名為'input'的輸入  
# 你可以這樣使用模型進(jìn)行預(yù)測(cè)（假設(shè)你已經(jīng)有了適當(dāng)?shù)妮斎霐?shù)據(jù)x_test）  
# 注意：這里的x_test需要根據(jù)你的模型輸入進(jìn)行調(diào)整  
# 假設(shè)x_test是一個(gè)Tensor或者可以轉(zhuǎn)換為T(mén)ensor的numpy數(shù)組  
import numpy as np  
x_test = np.random.random((1, 28, 28, 1))  # 例如，對(duì)于MNIST模型的一個(gè)輸入  
# 將numpy數(shù)組轉(zhuǎn)換為T(mén)ensor  
x_test_tensor = tf.convert_to_tensor(x_test, dtype=tf.float32)  
# 創(chuàng)建一個(gè)字典，將輸入Tensor映射到簽名的輸入?yún)?shù)名（這里是'input'）  
# 注意：'input'這個(gè)名稱需要根據(jù)你的模型簽名進(jìn)行調(diào)整  
input_data = {'input': x_test_tensor}  
# 調(diào)用模型  
predictions = loaded_model.signatures['serving_default'](input_data)  
# 獲取預(yù)測(cè)結(jié)果  
# 注意：這里的'output'需要根據(jù)你的模型輸出簽名進(jìn)行調(diào)整  
# 如果你的模型有多個(gè)輸出，你可能需要訪問(wèn)predictions字典中的多個(gè)鍵  
predicted_output = predictions['output'].numpy()  
# 打印預(yù)測(cè)結(jié)果  
print(predicted_output)

import tensorflow as tf  
# 指定SavedModel的保存路徑  
saved_model_path = './path_to_your_saved_model'  # 請(qǐng)?zhí)鎿Q為你的SavedModel實(shí)際路徑  
# 加載SavedModel  
loaded_model = tf.saved_model.load(saved_model_path)  
# 查看模型的簽名  
# 注意：SavedModel可以有多個(gè)簽名，但通常會(huì)有一個(gè)默認(rèn)的'serving_default'  
print(list(loaded_model.signatures.keys()))  
# 假設(shè)模型有一個(gè)默認(rèn)的'serving_default'簽名，并且我們知道它的輸入和輸出  
# 通常，這些信息可以在保存模型時(shí)通過(guò)tf.function的inputs和outputs參數(shù)指定  
# 準(zhǔn)備輸入數(shù)據(jù)  
# 這里我們使用隨機(jī)數(shù)據(jù)作為示例，你需要根據(jù)你的模型輸入要求來(lái)調(diào)整  
import numpy as np  
# 假設(shè)模型的輸入是一個(gè)形狀為[batch_size, height, width, channels]的Tensor  
# 例如，對(duì)于MNIST模型，它可能是一個(gè)形狀為[1, 28, 28, 1]的Tensor  
input_data = np.random.random((1, 28, 28, 1)).astype(np.float32)  
# 將numpy數(shù)組轉(zhuǎn)換為T(mén)ensor  
input_tensor = tf.convert_to_tensor(input_data)  
# 創(chuàng)建一個(gè)字典，將輸入Tensor映射到簽名的輸入?yún)?shù)名  
# 注意：這里的'input_tensor'需要根據(jù)你的模型簽名中的輸入?yún)?shù)名來(lái)調(diào)整  
# 如果簽名中的輸入?yún)?shù)名確實(shí)是'input_tensor'，則保持不變；否則，請(qǐng)?zhí)鎿Q為正確的名稱  
# 但在很多情況下，默認(rèn)的名稱可能是'input'或類似的東西  
input_dict = {'input': input_tensor}  # 假設(shè)輸入?yún)?shù)名為'input'  
# 調(diào)用模型進(jìn)行預(yù)測(cè)  
# 使用簽名對(duì)應(yīng)的函數(shù)，并傳入輸入字典  
predictions = loaded_model.signatures['serving_default'](input_dict)  
# 獲取預(yù)測(cè)結(jié)果  
# 預(yù)測(cè)結(jié)果通常是一個(gè)字典，其中包含了一個(gè)或多個(gè)輸出Tensor  
# 這里的'output'需要根據(jù)你的模型簽名中的輸出參數(shù)名來(lái)調(diào)整  
# 如果簽名中只有一個(gè)輸出，并且它的名字是'output'，則可以直接使用；否則，請(qǐng)?zhí)鎿Q為正確的鍵  
predicted_output = predictions['output'].numpy()  
# 打印預(yù)測(cè)結(jié)果  
print(predicted_output)  
# 注意：如果你的模型有多個(gè)輸出，你需要從predictions字典中訪問(wèn)每個(gè)輸出  
# 例如：predictions['second_output'].numpy()