以下方法都是个人实际中测试和使用的方法，tf2版本在2.3~2.7之间
1、model.save() and model.load()
保存模型：这个方法可以直接将训练后的权重和训练的参数保存下来，一般我个人使用的.h5为后缀把模型整个保存下来。
步骤如下：
（1）创建模型，像添加积木一样对模型添加需要的卷积，池化等操作
（2）配置神经网络的优化器，计算梯度的方法
（3）保存模型
加载模型：这样保存下来的模型可以直接将h5文件保存下来，不需要先加载模型
2、model.save_weight() and model.load_weight()
（1）这里采用继承Model这个类去实现神经网络（比第一种方法更加常用且受规范）
下面的方法就是当我们保存模型的权重参数，但是没有保存模型的结构
加载模型
需要先把模型的结构导入过来，再load模型的参数进去才能进行推理
3、model.checkpoint
这个用的比较少，看这样加载模型的方式，可能跟第二种类似
注意：这里的模型都指定了输入的图片的尺寸，如果想输入的图片尺寸不受限制，那么不要使用flatten拉直神经网络，可以使用全卷积来再进行softmax即可
tf.keras.layers.GlobalAveragePooling2D()
- 模型 tensorflow2 tensorflow 方法模型tensorflow2 tensorflow方法 tensorflow2 tensorflow2 tensorflow bert4keras 4keras tensorflow tensorflow-gpu tensorflow2版本 tensorflow2 tensorflow深度 事实 tensorflow2 tensorflow实战 指南 矩阵tensorflow2 tensorflow pytorch tensorflow模型 方法 tensorflow2 tensorflow anaconda3 anaconda 神经网络tensorflow2 tensorflow深度