在保存模型后，需要重新加载模型才能使用关联。这里是一个使用Python和TensorFlow的示例代码，展示了如何保存和加载模型：

import tensorflow as tf

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 保存模型
model.save('my_model')

# 加载模型
loaded_model = tf.keras.models.load_model('my_model')

# 使用加载的模型进行预测
predictions = loaded_model.predict(x_test)

在上面的代码中，首先定义了一个简单的Sequential模型。然后，对模型进行编译和训练。接下来，使用model.save()方法将模型保存到文件my_model中。最后，使用tf.keras.models.load_model()方法加载保存的模型，并使用加载的模型进行预测。

注意，加载模型后，您可以直接使用加载的模型进行预测，而无需重新训练或编译模型。