如何将Keras模型保存至谷歌云端硬盘或本地计算机？

Keras提供标准化的模型序列化能力，保存后的文件会完整包含模型结构、权重、编译配置，加载后可直接调用model.predict()执行预测，无需重新训练。

一、保存到本地计算机 #

1. 保存模型 #

支持两种主流存储格式：

• H5格式：单文件存储，适合小模型分享，需要先安装依赖：pip install h5py，保存代码：

model.save("my_model.h5")

• SavedModel格式：TensorFlow官方推荐格式，支持断点续训、生产部署，保存后生成完整文件夹，无需额外依赖：

model.save("my_model")

2. 加载模型 #

统一用load_model接口加载：

from tensorflow.keras.models import load_model

# 加载H5格式模型
model = load_model("my_model.h5")
# 加载SavedModel格式模型
model = load_model("my_model")

加载完成后可直接调用model.predict()执行预测。

二、保存到谷歌云端硬盘（Colab环境下操作） #

1. 挂载谷歌云盘到运行环境 #

先执行挂载代码，按提示完成账号授权即可：

from google.colab import drive
drive.mount("/content/drive")

挂载完成后，你的云盘根目录会映射到Colab的/content/drive/MyDrive路径下。

2. 保存模型到云盘 #

直接指定保存路径为云盘路径即可，逻辑和本地保存完全一致：

# 保存H5格式到云盘根目录
model.save("/content/drive/MyDrive/my_model.h5")
# 保存SavedModel格式到云盘根目录
model.save("/content/drive/MyDrive/my_model")

3. 从云盘加载模型 #

后续复用模型时，先挂载云盘再加载对应路径的文件即可：

from google.colab import drive
from tensorflow.keras.models import load_model

drive.mount("/content/drive")
model = load_model("/content/drive/MyDrive/my_model.h5")

特殊情况说明：如果你的模型用到了自定义层、自定义损失函数、自定义评估指标，加载模型时需要通过custom_objects参数传入对应的自定义对象，示例：model = load_model("my_model.h5", custom_objects={"MyCustomLayer": MyCustomLayer})，否则会触发加载报错。

内容的提问来源于stack exchange，提问作者Ghosty