TensorFlow.js tf.LayersModel类 .save()方法

在使用TensorFlow.js构建神经网络时，我们可能需要保存已经训练好的模型以便于之后的使用。.save()方法可以用来保存模型。

.save()方法的语法

async layersModel.save(pathOrIOHandler: tf.io.SaveHandler): Promise<tf.io.SaveResult>

.save()方法需要一个路径或者IOHandler（用来指定保存模型使用的文件格式和位置）。返回一个Promise对象。

例子

下面是一个例子，用来展示如何使用.save()方法保存模型。

const model = await tf.loadLayersModel('http://example.com/model.json');

const saveResult = await model.save('downloads://my-model');
console.log(saveResult);

在上面的例子中，我们从一个远程位置加载一个已经训练好的模型。使用.save()方法保存这个模型，并打印输出这个方法返回的结果。

IOHandler

在使用.save()方法时，我们需要提供一个路径或者是IOHandler。IOHandlers可以用来序列化和反序列化模型。在TensorFlow.js中有很多不同类型的IOHandlers，例如tf.io.browserFiles()和tf.io.browserLocalStorage()。

我们可以在使用.save()方法时通过传递不同的IOHandler来指定保存模型时使用的文件格式和位置。

const model = await tf.loadLayersModel('http://example.com/model.json');

// 将模型保存到浏览器本地存储中
const saveResult = await model.save(tf.io.browserLocalStorage('my-model'));
console.log(saveResult);

显示已保存的模型

TensorFlow.js提供了一个方法来加载已经保存的模型，从而可以在之后的应用程序中使用它们。

const model = await tf.loadLayersModel('indexeddb://my-model');
console.log(model);

在上面的例子中，我们使用.loadLayersModel()方法加载一个之前保存到IndexedDB中的模型，并打印输出返回的结果。

结论

.save()方法是TensorFlow.js中一个非常重要的方法，它可以用来保存已经训练好的模型，以便于之后的使用。在使用.save()方法时需要给出一个路径或者是IOHandler，以指定保存模型时使用的文件格式和位置。