TensorFlow.js提供了保存和加载模型的功能，这些模型可以是使用Layers API创建的或从现有TensorFlow模型转换来的。可能是您自己训练过的模型，也可能是别人训练的模型。使用Layers API的一个主要好处是使用它创建的模型是可序列化的，这就是我们将在本教程中探讨的内容。
本教程将会介绍如何在 TensorFlow.js 中保存和加载模型(可通过JSON文件识别)。我们同样可以导入Tensorflow Python模型。
- 导入Keras模型
- 导入Graphdef模型
保存 tf.Model
[tf.Model](https://js.tensorflow.org/api/0.14.2/#class:Model)和[tf.Sequential](https://js.tensorflow.org/api/0.14.2/#class:Model)同时提供了函数[model.save](https://js.tensorflow.org/api/0.14.2/#tf.Model.save)允许您保存一个模型的 拓扑结构(topology) 和 权重(weights) 。
- 拓扑结构(Topology): 这是一个描述模型结构的文件（例如它使用的了哪些操作）。它包含对存储在外部的模型权重的引用。
- 权重(Weights): 这些是以有效格式存储给定模型权重的二进制文件。它们通常存储在与拓扑结构相同的文件夹中。
让我们看看保存模型的代码是什么样子的
const saveResult = await model.save('localstorage://my-model-1');
一些需要注意的地方:
save方法采用以 scheme 字符串开头的类 URL 字符串参数（下文简称 scheme）。它描述了我们想保存模型的地址的类型。 在本例中我们使用 localstorage:// scheme 将模型保存到本地存储。- 在 scheme 之后是 路径(path)。 在上面的例子中，路径是’my-model-1’。
save方法是异步的。model.save的返回值是一个 JSON 对象，它包含一些可能有用的信息，例如模型的拓扑结构和权重的大小。- 用于保存模型的环境不会影响那些可以加载模型的环境。在 node.js 中保存模型时并不会阻碍模型在浏览器中被加载。
下面我们将介绍以下不同方案。
本地存储 (仅限浏览器)
Scheme: localstorage://
await model.save('localstorage://my-model');
这样可以在浏览器的本地存储中以名称 my-model来保存模型。这样存储能够在浏览器刷新后保持不变，而当存储空间成为问题时，用户或浏览器本身可以清除本地存储。 每个浏览器还可以对给定域在本地的存储空间设定限额。
IndexedDB (仅限浏览器)
Scheme: indexeddb://
await model.save('indexeddb://my-model');
这样会将模型保存到浏览器的IndexedDB存储中。 与本地存储一样，它在刷新后仍然存在，同时它往往也对存储的对象的大小有较大的限制。
文件下载 (仅限浏览器)
Scheme: downloads://
await model.save('downloads://my-model');
这会让浏览器下载模型文件至用户的机器上，并生成两个文件：
- 一个名为
[my-model].json的 JSON 文件，它包含了模型的拓扑结构和下面将要介绍的权重文件的引用。 - 一个二进制文件，其中包含名为
[my-model].weights.bin的权重值。
您可以更换[my-model]的名称以获得一个不同的名称的文件。
由于.json使用相对路径指向 .bin，所以两个文件需要被安放在同一个文件夹中。
注意: 某些浏览器要求用户在同时下载多个文件之前授予权限。
HTTP(S) Request
Scheme: http:// or https://
await model.save('http://model-server.domain/upload')
这将创建一个Web请求，以将模型保存到远程服务器。 您应该控制该远程服务器，以便确保它能够处理该请求。 模型将通过POST 请求发送到指定的 HTTP 服务器。 POST 请求的 body 遵守称为multipart/form-data的格式。它由以下两个文件组成
- 一个名为
model.json的 JSON 文件，其中包含拓扑结构和对下面描述的权重文件的引用。 - 一个二进制文件，其中包含名为
[my-model].weights.bin的权重值。
请注意，这两个文件的名称需要与上述介绍中的保持完全相同（因为名称内置于函数中，无法更改）。 此api 文档包含一个 Python 代码片段，演示了如何使用 flask web 框架来处理源自 save 的请求。
通常，您必须向 HTTP 服务器传递更多参数或请求头（例如，用于身份验证，或者如果要指定应保存模型的文件夹）。您可以通过替换 tf.io.browserHTTPRequest 函数中的 URL字符串参数来获得对来自 save 函数的请求在这些方面的细粒度控制。这个API在控制 HTTP 请求方面提供了更大的灵活性。
例如：
await model.save(tf.io.browserHTTPRequest('http://model-server.domain/upload',{method: 'PUT', headers: {'header_key_1': 'header_value_1'} }));
本机文件系统 (仅限于Node.js)
Scheme: file://
await model.save('file:///path/to/my-model');
当运行Node.js后我们当然可以直接访问文件系统并且保存模型。这个命令将会保存两个文件在scheme之后指定的path中。
- 一个名为
model.json的 JSON 文件，其中包含拓扑结构和对下面描述的权重文件的引用。 - 一个二进制文件，其中包含名为
model.weights.bin.的权重值。
请注意，这两个文件的名称将始终与上面指定的完全相同（该名称内置于函数中）。
加载 tf.Model
给定一个使用上述方法之一保存的模型，我们可以使用 tf.loadLayersModel API来加载它。
让我们看一下加载模型的代码是什么样子的
const model = await tf.loadLayersModel('localstorage://my-model-1');
一些事情值得注意:
- 类似于
model.save(),loadLayersModel函数使用以 scheme开头的类似URL的字符串参数。它描述了我们试图从中加载模型的目标类型。 - scheme 由path指定。在上述例子中路径为
my-model-1。 - URL字符串可以被替换为一个符合IOHandler接口的对象。
tf.loadLayersModel()函数是异步的。tf.loadLayersModel返回的值是 tf.Model
下面我们将介绍可用的不同方案。
本地存储 (仅限浏览器)
Scheme: localstorage://
const model = await tf.loadLayersModel('localstorage://my-model');
这将从浏览器的本地存储. 加载一个名为my-model模型。
IndexedDB (仅限浏览器)
Scheme: indexeddb://
const model = await tf.loadLayersModel('indexeddb://my-model');
这将从浏览器的IndexedDB. 加载一个模型。
HTTP(S)
Scheme: http:// or https://
const model = await tf.loadLayersModel('http://model-server.domain/download/model.json');
这将从HTTP端点加载模型。加载json 文件后，函数将请求对应的json 文件引用的.bin文件。
注意：这个工具依赖于fetch方法。如果您的环境没有提供原生的fetch方法，您可以提供全局方法名称fetch从而满足接口要求或是使用类似于(node-fetch)[https://www.npmjs.com/package/node-fetch]的库。
本机文件系统 (仅限于Node.js)
Scheme: file://
const model = await tf.loadLayersModel('file://path/to/my-model/model.json');
当运行在Node.js上时，我们可以直接访问文件系统并且从那里加载模型。注意，在上面的函数调用中，我们引用model.json文件本身（而在保存时，我们指定一个文件夹）。相应的.bin文件需要和json 文件在同一个文件夹中。
使用 IOHandlers 加载模型
如果上述方案没有满足您的需求，您可以使用IOHandler执行自定义的加载行为。Tensorflow.js的IOHandler提供了[tf.io.browserFiles](https://js.tensorflow.org/api/latest/#io.browserFiles)，运行浏览器用户在浏览器中上传文件。您可以在 文档中查看更多信息。
使用自定义的 IOHandlers 保存或加载模型
如果上述方案没有满足您的保存和加载模型的需求，您可以通过执行IOHandler以执行自定义的序列化行为。
IOHandler是一个含有save 和 load方法的对象。
save函数接受一个与ModelArtifacts接口匹配的参数并且会返回一个解析为SaveResult的对象。
load函数没有接受参数而回返回一个解析为ModelArtifacts的对象。这和传递给save的相同对象。
查看BrowserHTTPRequest获取如何执行IOHandler的例子。
若有收获，就点个赞吧
0 人点赞
