keras模型保存为tensorflow的二进制模型方式

保存keras模型为tensorflow的二进制模型可以通过Tensorflow的saved_model API实现。下面分为以下步骤：

1. 加载keras模型
2. 将keras模型转换为Tensorflow模型
3. 保存Tensorflow模型

下面是完整攻略：

加载keras模型

首先，需要加载keras模型。假设我们的keras模型存储在 model.h5 文件中，可以使用以下代码加载模型:

from keras.models import load_model

keras_model = load_model('model.h5', compile=False)

其中 compile=False 参数表示不需要重新编译模型。

将keras模型转换为Tensorflow模型

使用keras模型创建新的Tensorflow模型，可以使用如下代码：

import tensorflow as tf

# 创建一个新的Tensorflow session
tf_session = tf.Session()

# 使用keras模型的计算图创建Tensorflow模型
tf_graph = tf_session.graph
with tf_graph.as_default():
    tf_input = tf.placeholder(dtype=tf.float32, shape=keras_model.input_shape)
    tf_output = keras_model(tf_input)
    tf.saved_model.simple_save(
        sess=tf_session,
        export_dir='model',
        inputs={'input': tf_input},
        outputs={'output': tf_output})

在代码中，首先创建了一个新的Tensorflow session，并使用keras模型的计算图创建了一个新的Tensorflow模型，包含一个placeholder用于输入和输出。最后，通过调用 tf.saved_model.simple_save() 方法，保存了模型。

在保存模型的过程中，需要指定导出目录 export_dir，以及输入输出张量的名称以及张量的实例，以便后面加载使用。

保存Tensorflow模型

在将keras模型转换为Tensorflow模型之后，可以通过 tf.saved_model.save() 方法，将模型保存到磁盘上：

tf_saved_model_dir = 'model_saved'
tf.saved_model.save(
    sess=tf_session,
    export_dir=tf_saved_model_dir,
    inputs={'input': tf_input},
    outputs={'output': tf_output})

其中 export_dir 参数表示保存文件路径，其他参数同上。这将保存所有关于模型的信息，包括网络结构、参数、损失函数等等，以便之后可以快速重现该模型或在其他地方使用该模型。

示例说明

假设我们有一个简单的keras模型用于MNIST手写数字分类，包含一个输入层、两个隐藏层和一个输出层，代码如下：

from keras.models import Sequential
from keras.layers import Dense

# 定义模型
model = Sequential()
model.add(Dense(128, input_dim=784, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test))

# 保存模型
model.save('model.h5')

现在，我们要将该模型保存为Tensorflow的二进制模型，可以使用以下代码：

import tensorflow as tf
from keras.models import load_model

# 加载keras模型
keras_model = load_model('model.h5', compile=False)

# 将keras模型转换为Tensorflow模型
tf_session = tf.Session()
tf_graph = tf_session.graph
with tf_graph.as_default():
    tf_input = tf.placeholder(dtype=tf.float32, shape=keras_model.input_shape)
    tf_output = keras_model(tf_input)
    tf.saved_model.simple_save(
        sess=tf_session,
        export_dir='model',
        inputs={'input': tf_input},
        outputs={'output': tf_output})

# 保存Tensorflow模型
tf_saved_model_dir = 'model_saved'
tf.saved_model.save(
    sess=tf_session,
    export_dir=tf_saved_model_dir,
    inputs={'input': tf_input},
    outputs={'output': tf_output})

以上是将keras模型保存为Tensorflow的二进制模型的完整攻略，其中包含了一个示例，以MNIST手写数字分类任务为例。另外还可以参考tensorflow官方文档中的Tensorflow Serving 部分。