要保存使用BatchNorm的TensorFlow模型，可以按照以下步骤进行操作：

1. 导入所需的库：

import tensorflow as tf

2. 构建模型并添加BatchNorm层：

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.BatchNormalization(),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.BatchNormalization(),
    tf.keras.layers.Dense(10, activation='softmax')
])

3. 编译模型：

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

4. 训练模型：

model.fit(train_images, train_labels, epochs=10)

5. 保存模型：

model.save('model.h5')

这将保存模型的权重、架构和训练配置到名为model.h5的文件中。

要加载已保存的模型，请使用以下代码：

loaded_model = tf.keras.models.load_model('model.h5')

这将加载模型的权重、架构和训练配置。你可以使用loaded_model进行预测或继续训练。