使用场景：我尝试在Google App Engine中加载一个预训练的Keras模型，模型格式为.h5文件。我使用的是Python运行时3.7和标准环境的App Engine。
问题：我尝试使用load_model()函数来加载模型。不幸的是，load_model函数需要一个’file_path‘参数，我无法从Google App Engine的文件浏览器中加载模型。此外，Google云存储似乎也不是一个选项，因为它不被识别为文件路径。
问题：
(1) 如何在不先本地保存的情况下，将预训练模型（如.h5）加载到Google App Engine中？
(2) 可能有我没想到的方法，可以从Google存储中将model.h5加载到Google App Engine中，例如使用其他函数（而不是tf.keras.models.load_model()）或使用其他格式？
我只想读取模型以进行预测，不需要写入或训练模型。
回答：
您必须先下载文件，然后才能使用它，云存储路径无法直接访问对象。文档中有一个关于如何下载对象的示例，请参见文档：
from google.cloud import storagedef download_blob(bucket_name, source_blob_name, destination_file_name): """Downloads a blob from the bucket.""" # bucket_name = "your-bucket-name" # source_blob_name = "storage-object-name" # destination_file_name = "local/path/to/file" storage_client = storage.Client() bucket = storage_client.bucket(bucket_name) blob = bucket.blob(source_blob_name) blob.download_to_filename(destination_file_name) print( "Blob {} downloaded to {}.".format( source_blob_name, destination_file_name ) )然后将文件写入/tmp 临时文件夹，这是App Engine中唯一可用的文件夹。但请注意，一旦使用该文件的实例被删除，文件也将被删除。
更具体地回答您的问题，加载Keras模型时，将模型保存为pickle格式会很有帮助，如这个教程所示：
def _load_model(): global MODEL client = storage.Client() bucket = client.get_bucket(MODEL_BUCKET) blob = bucket.get_blob(MODEL_FILENAME) s = blob.download_as_string() MODEL = pickle.loads(s)我还找到了一篇回答，它涵盖了您实际寻找的内容，来自另一个Stackoverflow帖子。
