Python 如何保存训练后的tensorflow模型的结构和权重？

我有一个具有相对复杂计算图的模型，我将在大量数据上对其进行训练。如何在事后保存经过训练的模型，以便只加载其（结构+权重），而无需再次指定复杂的模型结构？我只想创建一个文件“trained_model”，我可以从任何其他tensorflow代码加载它，而不需要知道内部结构是什么样子。换言之，我希望稍后将经过训练的模型用作黑盒。tensorflow中有类似的东西吗？我自己在网上发现的东西让我有点困惑，也许你们中的一位专家可以帮我解决。非常感谢

因此，我想要的是以下内容：

trained_model_path='…/trained_model/
trained_model=从_文件（trained_model_路径）加载_model_#黑盒！
训练的_模型预测（x）

您可以将模型保存在h5文件中。稍后再加载它们。你不应该再次重建整个东西，因为你必须在每次使用它的时候对它进行训练

# Save the model
model.save('../resources/saved_models/my_model.h5')

# Recreate the exact same model purely from the file
new_model = keras.models.load_model('path_to_my_model.h5')

查看文档（下面的链接）了解更多详细信息。 为此，您需要使用kerasapi。我假设现在所有与tensorflow合作的人都使用keras。它只是一个pip安装，然后应该在代码顶部导入。（与普通python库类似）

---

谢谢！keras.models.load_模型能否处理可使用tensorflow表达的任何类型的网络？keras是tensorflow的一部分，后来添加该模型以简化构建和修改模型的过程。所以我想你的答案是肯定的@JonasG.可能的副本