要在AI Platform训练结束时导出模型,可以通过使用TensorFlow的SavedModel格式保存模型来实现。以下是一个示例代码,演示了如何在AI Platform中训练模型并导出训练结束后的模型。
import tensorflow as tf
# 定义模型结构
model = tf.keras.Sequential([
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
tf.keras.layers.MaxPooling2D((2, 2)),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(10)
])
# 编译模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 加载数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()
train_images, test_images = train_images / 255.0, test_images / 255.0
# 训练模型
model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))
# 导出模型
export_path = 'gs://your-bucket-name/saved_model'
tf.saved_model.save(model, export_path)
在上面的代码中,首先定义了一个简单的卷积神经网络模型。然后,通过编译模型,并加载CIFAR-10数据集进行训练。最后,使用tf.saved_model.save
函数将训练结束后的模型保存在指定的路径export_path
。你需要将your-bucket-name
替换为你的存储桶名称。
当训练过程完成后,你可以在指定的存储桶中找到SavedModel格式的模型。你可以将该模型用于推理、部署到AI Platform预测等场景中。