PaddlePaddle 支持导出 inference 模型用于部署推理场景，相比于训练调优场景，inference 模型会将网络权重与网络结构进行持久化存储，并且 PaddlePaddle 支持使用预测引擎加载 inference 模型进行预测推理。
首先请参考文档文档环境准备配置运行环境。
进入 PaddleClas 目录下：
cd /path/to/PaddleClas以 ResNet50_vd 分类模型为例，下载预训练模型：
wget -P ./cls_pretrain/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/ResNet50_vd_pretrained.pdparams上述模型是使用 ResNet50_vd 在 ImageNet 上训练的模型，使用的配置文件为 ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml，将该模型转为 inference 模型只需运行如下命令：
python tools/export_model.py \
-c ./ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml \
-o Global.pretrained_model=./cls_pretrain/ResNet50_vd_pretrained \
-o Global.save_inference_dir=./deploy/models/class_ResNet50_vd_ImageNet_infer主体检测模型的导出，可以参考主体检测介绍。
进入 PaddleClas 目录下：
cd /path/to/PaddleClas以商品识别特征提取模型为例，下载预训练模型：
wget -P ./product_pretrain/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/pretrain/product_ResNet50_vd_Aliproduct_v1.0_pretrained.pdparams上述模型是 ResNet50_vd 在 AliProduct 上训练的模型，训练使用的配置文件为 ppcls/configs/Products/ResNet50_vd_Aliproduct.yaml，将该模型转为 inference 模型只需运行如下命令：
python3 tools/export_model.py \
-c ./ppcls/configs/Products/ResNet50_vd_Aliproduct.yaml \
-o Global.pretrained_model=./product_pretrain/product_ResNet50_vd_Aliproduct_v1.0_pretrained \
-o Global.save_inference_dir=./deploy/models/product_ResNet50_vd_aliproduct_v1.0_infer注意，此处保存的 inference 模型在 embedding 特征层做了截断，即导出后模型最终的输出为 n 维 embedding 特征。
在上述模型导出命令中，所使用的配置文件需要与该模型的训练文件相同，在配置文件中有以下字段用于配置模型导出参数：
Global.image_shape：用于指定模型的输入数据尺寸，该尺寸不包含 batch 维度；Global.save_inference_dir：用于指定导出的 inference 模型的保存位置；Global.pretrained_model：用于指定训练过程中保存的模型权重文件路径，该路径无需包含模型权重文件后缀名.pdparams。。
上述命令将生成以下三个文件：
inference.pdmodel：用于存储网络结构信息；inference.pdiparams：用于存储网络权重信息；inference.pdiparams.info：用于存储模型的参数信息，在分类模型和识别模型中可忽略。
导出的 inference 模型文件可用于预测引擎进行推理部署，根据不同的部署方式/平台，可参考：
图像分类模型部署：
- Python 预测
- C++ 预测
- Python Whl 预测（目前仅支持分类模型）
- PaddleHub Serving 部署（目前仅支持分类模型）
- PaddleServing 部署
- PaddleLite 部署
PP-ShiTu 部署：