python load_model函数用法

`load_model` 函数是用来加载已经训练好的模型并返回该模型的对象。在 Python 中，可以使用多个框架来实现机器学习模型，如 TensorFlow、Keras、PyTorch 等，不同的框架可能具有不同的 `load_model` 函数的用法，这里我们以 Keras 框架为例进行说明。

Keras 中的 `load_model` 函数可以从磁盘上加载已经保存的模型。它的基本用法如下：

from tensorflow.keras.models import load_model

model = load_model('path/to/model.h5')

其中 `path/to/model.h5` 是已经保存的模型的路径，`load_model` 函数会自动读取该路径下的模型文件并返回一个模型对象 `model`。

如果你的模型包含自定义的层或损失函数，你需要提供一个字典来告诉 `load_model` 函数如何加载这些自定义组件。例如：

from tensorflow.keras.models import load_model
from custom_layers import CustomLayer1, CustomLayer2
from custom_losses import custom_loss_fn

custom_objects = {'CustomLayer1': CustomLayer1, 
                  'CustomLayer2': CustomLayer2,
                  'custom_loss_fn': custom_loss_fn}

model = load_model('path/to/model.h5', custom_objects=custom_objects)

这里我们假设模型中包含两个自定义层 `CustomLayer1` 和 `CustomLayer2`，以及一个自定义损失函数 `custom_loss_fn`。我们需要将这些自定义组件定义在 `custom_objects` 字典中，并将其传递给 `load_model` 函数，以便模型对象能够正确地加载这些组件。

需要注意的是，如果你的模型在训练时使用了 GPU，那么在加载模型时也需要使用 GPU。你可以通过设置 `tf.config.experimental.set_memory_growth` 来配置 GPU 内存的使用方式，例如：

import tensorflow as tf

gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
  try:
    for gpu in gpus:
      tf.config.experimental.set_memory_growth(gpu, True)
  except RuntimeError as e:
    print(e)

这段代码会将所有可用的 GPU 内存配置为按需分配的方式，以避免 GPU 内存溢出的问题。