tensorflowjs保存并加载tf.Model

将tf.Model：保存到Web浏览器的本地存储。本地存储是标准的客户端数据存储。保存在那里的数据可以在同一页面的多个负载中持续存在。
假设你有一个tf.Model名为的对象model。无论是从头开始使用Layers API还是从预训练的Keras模型加载/微调，您都可以使用一行代码将其保存到本地存储：

const saveResult = await model.save('localstorage://my-model-1');

• 该save方法采用类似于URL的字符串参数，该参数以方案开头。在这种情况下，我们使用该localstorage://方案指定将模型保存到本地存储
• 该计划之后是一条路径。在保存到本地存储的情况下，路径只是一个任意字符串，用于唯一标识要保存的模型。例如，当您从本地存储加载模型时，将使用它。
• 该save方法是异步的，因此您需要使用then或者await如果其完成形成其他操作的前提条件。
• 返回值model.save是一个JSON对象，它携带一些可能有用的信息，例如模型拓扑和权重的字节大小。
• 任何tf.Model，无论它是否由 tf.sequential 构成，它包含哪些类型的层，都可以这种方式保存。
  下表列出了所有当前支持的保存模型目的地及其相应的方案和示例。

保存目的地   方案字符串   代码示例
本地存储（浏览器）   localstorage://  await model.save('localstorage://my-model-1');
IndexedDB（浏览器）  indexeddb://    await model.save('indexeddb://my-model-1');
触发文件下载（浏览器） downloads://    await model.save('downloads://my-model-1');
HTTP请求（浏览器） http:// 要么 https://  await model.save('http://model-server.domain/upload');
文件系统（Node.js）   file://           await model.save('file:///tmp/my-model-1');

IndexedDB

IndexedDB 是大多数主流Web浏览器支持的另一个客户端数据存储。与本地存储不同，它更好地支持存储大型二进制数据（BLOB）和更大的配额。因此，tf.Model与本地存储相比，保存到IndexedDB通常可以提供更好的存储效率和更大的大小限制。

文件下载

该downloads://方案后面的字符串是将要下载的文件名称的前缀。例如，该行将 model.save(‘downloads://my-model-1’)导致浏览器下载两个共享相同文件名前缀的文件：

• 一个名为的文本JSON文件my-model-1.json，它在其modelTopology字段中包含模型的拓扑，并在其字段中显示权重清单 weightsManifest。
• 一个二进制文件，带有名为的权重值my-model-1.weights.bin。
  这些文件的格式与tensorflowjs转换器从Keras HDF5文件转换的工件格式相同。

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请求

如果tf.Model.save使用HTTP / HTTPS URL调用，则模型的拓扑和权重将通过POST请求发送到指定的HTTP服务器 。POST请求的主体具有一个名为的格式 multipart/form-data。它是用于将文件上载到服务器的标准MIME格式。正文由两个文件组成，文件名model.json和文件名 model.weights.bin。文件格式与downloads://方案触发的下载文件格式相同（参见上文）。此 文档字符串 包含一个Python代码片段，演示了如何使用烧瓶 Web框架以及Keras和TensorFlow来处理源自save请求的有效负载并将其重新构建为服务器内存中的Keras Model对象。

通常，您的HTTP服务器对请求有特殊约束和要求，例如HTTP方法，标头和身份验证凭据。您可以save通过将URL字符串参数替换为调用来获得对请求的这些方面的细粒度控制tf.io.browserHTTPRequest。它是一个更详细的API，但它在控制由此产生的HTTP请求时提供了更大的灵活性save。例如：

await model.save(tf.io.browserHTTPRequest(
    'http://model-server.domain/upload',
    {method: 'PUT', headers: {'header_key_1': 'header_value_1'}}));

TensorFlow.js可以在Node.js中使用。有关更多详细信息，请参阅 tfjs-node项目。与Web浏览器不同，Node.js可以直接访问本地文件系统。因此，您可以将tf.Models 保存到文件系统，就像在Keras中将模型保存到磁盘一样。要执行此操作，请使用file://URL方案，然后使用 要保存模型工件的目录路径，例如：

await model.save('file:///tmp/my-model-1');

上面的命令将在目录中生成一个model.json文件和一个weights.bin文件/tmp/my-model-1。这两个文件的格式与上面的“文件下载”和“HTTP请求”部分中描述的文件格式相同。保存模型后，可以将其加载回运行TensorFlow.js的Node.js程序，或者为TensorFlow.js的浏览器版本提供服务。要实现前者，请tf.loadModel()使用model.json文件路径调用：

const model = await tf.loadModel('file:///tmp/my-model-1/model.json');

将保存的tf.Model转换为Keras格式

• 通过文件从Web浏览器下载，使用该downloads://方案
• 使用该file://方案将模型直接写入Node.js中的本机文件系统 。使用tensorflowjs转换器，您可以将这些文件转换为HDF5格式，然后可以将其加载到Python中的Keras中。例如：

pip install tensorflowjs

tensorflowjs_converter \
    --input_format tensorflowjs --output_format keras \
    ./my-model-1.json /tmp/my-model-1.h5