TensorFlow 有兩種存取模型的方式，
1.SavedModel 格式:
它是 TensorFlow 的標準格式，包含模型的架構、權重、訓練配置等。
優點是可以跨平台和語言使用，支持自定義層和操作，方便進行版本控制。
2. HDF5 格式:
它是一種通用的文件格式，主要用於儲存數據。
優點是文件格式簡單，適合小型模型，易於與其他應用程序集成。

它們的差別是 SaveModel 通用性較高，儲存和載入的過程也比較複雜，較 HDF5 適合生產環境，HDF5 結構就相較簡單，它適合的是快速原型開發或測試簡單模型。

那我們先簡單建立和訓練模型來實際做做看，這裡使用 tf.keras.Sequential 來建立模型，中間使用了 3 層卷積層搭配池化層:

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
import tensorflow_datasets as tfds
from tensorflow.keras import layers
train = tfds.load('mnist', split='train', as_supervised=True)
test = tfds.load('mnist', split='test', as_supervised=True)
def format_image(image, label):
  image = tf.cast(image, dtype=tf.float32)
  image = image / 255.0
  return  image, label
BATCH_SIZE = 32
BUFFER_SIZE = 10000
train_batches = train.cache().shuffle(BUFFER_SIZE).map(format_image).batch(BATCH_SIZE).prefetch(1)
test_batches = test.cache().map(format_image).batch(BATCH_SIZE).prefetch(1)
model = tf.keras.Sequential([
  layers.Conv2D(16, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)),
  layers.MaxPool2D(pool_size=(2, 2)),
  layers.Conv2D(32, kernel_size=(3, 3), activation='relu'),
  layers.MaxPool2D(pool_size=(2, 2)),
  layers.Conv2D(64, kernel_size=(3, 3), activation='relu'),
  layers.MaxPool2D(pool_size=(2, 2)),
  layers.Flatten(),
  layers.Dense(512, activation='relu'),
  layers.Dense(10, activation='softmax')
])
model.compile(
  optimizer='adam', 
  loss='sparse_categorical_crossentropy', 
  metrics=['accuracy']
)
EPOCH = 5
history = model.fit(
  train_batches, 
  validation_data=test_batches, 
  epochs=EPOCH
)

1.將模型參數存成 TensorFlow SavedModel 格式，裡面除了包含訓練好的參數之外，TensorFlow 的計算圖與程式邏輯都包含在這個檔案格式裡。
儲存方式:

export_path = 'saved_model'
tf.saved_model.save(model, export_path)

特別註明若以 SavedModel 格式儲存模型時，會產生三種主要檔案和資料夾：
(1)saved_model.pb
它是模型的描述文件，包含模型的計算圖結構和元數據，它描述了模型的架構、輸入和輸出張量等信息。
(2)variables資料夾
這個資料夾會包含模型的權重和變數，通常有兩個檔案，分別是用來記錄模型變數的索引 variables.index ，
以及存儲模型權重的數據檔案 variables.data-00000-of-00001 。
(3)assets資料夾
這個資料夾通常用來存儲任何額外的資源或文件，模型在推理時可能需要使用到的資料，但不是所有模型都會需
要它。
讀取方式:

reload_sm = tf.saved_model.load(export_path)

2.利用 Keras 將模型存成 HDF5 格式，附檔名會是 '.h5'，這是 Keras 模型默認的格式。
儲存方式:

model.save('./keras_model.h5')

讀取方式:

reload_model = tf.keras.models.load_model('./keras_model.h5')

雖然它們儲存和讀取的程式碼都很簡單明瞭，但還是能看出 HDF5 格式簡單的多。