import keras
import os
import tensorflow as tf
from tensorflow.python.util import compat
from keras import backend as K

def export_savedmodel(model):
 '''
 傳入keras model會自動保存為pb格式
 '''
  model_path = "model/" # 模型保存的路徑
  model_version = 0 # 模型保存的版本
  # 從網絡的輸入輸出創建預測的簽名
  model_signature = tf.saved_model.signature_def_utils.predict_signature_def(
    inputs={'input': model.input}, outputs={'output': model.output})
  # 使用utf-8編碼將 字節或Unicode 轉換為字節
  export_path = os.path.join(compat.as_bytes(model_path), compat.as_bytes(str(model_version))) # 將保存路徑和版本號join
  builder = tf.saved_model.builder.SavedModelBuilder(export_path) # 生成"savedmodel"協議緩沖區并保存變量和模型
  builder.add_meta_graph_and_variables( # 將當前元圖添加到savedmodel并保存變量
    sess=K.get_session(), # 返回一個 session 默認返回tf的sess,否則返回keras的sess,兩者都沒有將創建一個全新的sess返回
    tags=[tf.saved_model.tag_constants.SERVING], # 導出模型tag為SERVING(其他可選TRAINING,EVAL,GPU,TPU)
    clear_devices=True, # 清除設備信息
    signature_def_map={ # 簽名定義映射
      tf.saved_model.signature_constants.DEFAULT_SERVING_SIGNATURE_DEF_KEY: # 默認服務簽名定義密鑰
        model_signature # 網絡的輸入輸出策創建預測的簽名
    })
  builder.save() # 將"savedmodel"協議緩沖區寫入磁盤.
  print("save model pb success ...")

model = keras.models.load_model('model_data/weight.h6') # 加載已訓練好的.h6格式的keras模型
export_savedmodel(model) # 將模型傳入保存模型的方法內,模型保存成功.

tf.saved_model.simple_save(sess,
      "./model",
      inputs={"myInput": x}, # input_name可自定義,編碼客戶端時對應即可
      outputs={"myOutput": y})

variables/
  variables.data-*****-of-*****
  variables.index
saved_model.pb

print_r('點個贊吧')；
var_dump('點個贊吧')；
NSLog(@"點個贊吧！")
System.out.println("點個贊吧!");
console.log("點個贊吧!");
print("點個贊吧!");
printf("點個贊吧!\n");
cout << "點個贊吧!" << endl;
Console.WriteLine("點個贊吧!");
fmt.Println("點個贊吧!")
Response.Write("點個贊吧")；
alert（'點個贊吧'）