我们知道在tensorflow 2.0中利用 tensorflow.keras可以很方便地保存和加载 .h5 模型，但是 .h5格式的模型只适合在本地使用，不适合部署。tensorflow serving 提供了很强大的部署功能，但是仅支持 .pb 格式，关于 .pb 格式的好处请参考：TensorFlow 保存模型为 PB 文件。本文说明如何用最简单的方法利用 tensorflow.keras 保存为 .pd 格式的模型。
当前的博客大都采用转换的方式，转换的过程中涉及到session，但实际上，session已经被新版的tensorflow摒弃了，所以就搞得很麻烦。原来的 的tf.keras.backend.get_session() 已经变成 tf.compat.v1.keras.backend.get_session()，可见这种方法有被抛弃的趋势。
实际上，tensorflow.keras提供了一种非常简单的保存和加载 .pb 格式模型的方法。废话了这么多，上代码...
# 保存模型结构和参数到文件
tf.keras.models.save_model(network,"model_save_path") # 默认生成 .pb 格式模型，也可以通过save_format 设置 .h5 格式
print('模型已保存')就是这么简单，保存之后会在 model_save_path 下生成如下三个文件。
加载模型也非常轻松惬意:
network=tf.keras.models.load_model("model_save_path")要将 .h5 模型转换成 .pb 格式同样非常简单，只需要先加载 .h5 再保存成 .pb 即可。
然后，就没有然后了...
