Python Tensorflow——；keras model.save（）引发未实现错误 将tensorflow导入为tf mnist=tf.keras.datasets.mnist （x_列，y_列），（x_测试，y_测试）=列表负载数据（） x_列=tf.keras.utils.normalize（x_列，轴=1） x_检验=tf.keras.utils.normalize（x_检验，轴=1） model=tf.keras.models.Sequential（） 添加（tf.keras.layers.flatte（）） 添加（tf.keras.layers.Dense（128，activation=tf.nn.relu）） 添加（tf.keras.layers.Dense（128，activation=tf.nn.relu）） 添加（tf.keras.layers.density（10，activation=tf.nn.softmax）） model.compile（优化器='adam'， 损失=“稀疏”\u分类”\u交叉熵'， 指标=[‘准确度’]） 模型拟合（x_序列，y_序列，历次=3）

当我试图保存模型时

model.save（'epic\u num\u reader.model'））

我得到一个未实现的错误：

NotImplementedError                       Traceback (most recent call last)
<ipython-input-4-99efa4bdc06e> in <module>()
      1 
----> 2 model.save('epic_num_reader.model')

NotImplementedError: Currently `save` requires model to be a graph network. Consider using `save_weights`, in order to save the weights of the model.

NotImplementedError回溯（最近一次调用）
在（）
1.
---->2 model.save（'epic\u num\u reader.model'））
NotImplementedError:当前“save”要求模型为图形网络。考虑使用“SaveHuff权重”，以节省模型的权重。

---

那么如何保存代码中定义的模型呢？

您忘记了第一层定义中的

input\u shape

参数，这会导致模型未定义，而保存未定义的模型尚未实现，这会触发错误

model.add(tf.keras.layers.Flatten(input_shape = (my, input, shape)))

只需将

input_shape

添加到第一层，它就可以正常工作了

tf.keras.models.save_model

---

这里的工作（TysFoels1.12.0）（即使当输入形状未指定）

< P>对于那些还没有解决问题的人，即使按照马蒂亚斯的建议，也可以考虑使用<代码> TF.KARA.Mask.SaveEngMeod（）<<代码>和<代码> LoopyMod（）/<代码>。就我而言，它起作用了。

错误原因： 我得到了同样的错误，并尝试了上述答案，但得到了错误。但我找到了一个解决问题的方法，我将在下面分享：

检查在定义模型的输入层时是否传递了input_shape，如果没有传递，则在保存和加载模型时将出现错误

如何定义输入形状？

让我们考虑一下一个例子，如果你使用Mista DataSet：

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

它由手写数字0-9的图像组成，每个数字的分辨率为28 x 28。 为此，我们可以将输入形状定义为（28,28），而不提及批次大小，如下所示：

model.add(tf.keras.layers.Flatten(input_shape=(28,28)))

通过这种方式，您可以通过查看输入训练数据集来给出输入形状

保存经过培训的模型： 现在，在训练和测试模型之后，我们可以保存我们的模型。以下代码适用于我，在重新加载模型后，它也不会改变精度：

使用save_model（）

通过使用.save（）

现在加载我们保存的模型： 有关更多详细信息，请参阅此链接：

导入tensorflow作为tf
将matplotlib.pyplot作为plt导入
mnist=tf.keras.datasets.mnist
（x_列，y_列），（x_测试，y_测试）=列表负载数据（）
plt.imshow（x_序列[0]，cmap=plt.cm.binary）
x_列=tf.keras.utils.normalize（x_列，轴=1）
x_检验=tf.keras.utils.normalize（x_检验，轴=1）
plt.imshow（x_序列[0]，cmap=plt.cm.binary）
model=tf.keras.models.Sequential（）
model.add（tf.keras.layers.flatte（input_shape=x_train[0].shape））
添加（tf.keras.layers.Dense（128，activation=tf.nn.relu））
添加（tf.keras.layers.Dense（128，activation=tf.nn.relu））
添加（tf.keras.layers.density（10，activation=tf.nn.softmax））
model.compile（优化器='adam'，
loss='sparse\u categorical\u crossentropy'，度量=['Accurance']）
模型拟合（x_序列，y_序列，历次=3）
val_损失，val_acc=模型评估（x_测试，y_测试）
打印（增值损失）
打印（val_acc）
model.save（'epic_num_reader.model'）

这是一个很好的答案。谢谢。我遵循相同的Sendex教程，将代码更改为

model.add（tf.keras.layers.Flatten（input_shape=x_train.shape））

buI得到

预期的flatte\u 1\u输入有4个维度，但在运行
model.fit（）时得到了形状为（60000,28,28）的数组
。代码应该是什么？@hanaZ Input shape不应该包含“批处理/样本”维度，将来请记住，注释是为了澄清问题和答案，而不是介绍您自己的。@Matias。谢谢你的回复。我尝试了
model.add（tf.keras.layers.Flatten（input_shape=x_train[0].shape））
，然后它就工作了。它会工作得很好，但我发现我的模型的性能大幅下降，而且（目前无法解释）啊，我看到你也在尝试教程。很高兴看到您已经找到了解决方案
import tensorflow as tf    
tf.keras.models.save_model(
    model,
    "your_trained_model.model",
    overwrite=True,
    include_optimizer=True
) 

your_trained_model.save('your_trained_model.model')

del model  # deletes the existing model

model2 = tf.keras.models.load_model("your_trained_model.model")