Función Tensorflow.js tf.loadLayersModel()

Tensorflow.js es un conjunto de herramientas de código abierto desarrollado por Google para ejecutar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo en el navegador o en la plataforma del Node. También permite a los desarrolladores crear modelos de aprendizaje automático en JavaScript y utilizarlos directamente en el navegador o con Node.js.

La función tf.loadLayersModel() se utiliza para cargar un modelo compuesto por objetos Layer, incluida su topología y, opcionalmente, los pesos.

Sintaxis:

tf.loadLayersModel(pathOrIOHandler, options?)

Parámetros:

• pathOrIOHandler: Es posible usar una de las dos formas:
  • Una ruta de string al archivo JSON ModelAndWeightsConfig que describe el modelo en formato TensorFlow.js. Para los esquemas file:// (tfjs-node-only), http:// y https://, la ruta puede ser absoluta o relativa.
  • Un objeto tf.io.IOHandler que usa el método de carga para cargar artefactos de modelo.
• opciones (Objeto): Parámetros de configuración de carga de modelos opcionales, que incluyen:
  • requestInit: RequestInit (opciones) para requests HTTP.
  • onProgress: una devolución de llamada de progreso.
  • fetchFunc: una función de anulación para la ventana.
  • estricto (booleano): modelo de carga estricto: si los pesos faltantes o extraños deben causar un error. El valor por defecto es verdadero.
  • weightPathPrefix (string): prefijo de la ruta del archivo de peso, que se deriva de forma predeterminada de la ruta del archivo JSON del modelo.
  • fromTFHub (booleano): si el módulo o modelo debe cargarse desde el TF Hub. El valor predeterminado es falso.
  • weightUrlConverter:  un método asíncrono para traducir el nombre de un archivo de peso a su URL. Los nombres de los archivos de peso se registran en el campo weightsManifest.paths de model.json. Se supone que los archivos de peso se ubican junto con el archivo model.json de forma predeterminada.

Valor devuelto: Promise<tf.LayersModel>

Ejemplo 1:

import * as tf from "@tensorflow/tfjs";
  
const model = await tf.loadLayersModel(
'https://storage.googleapis.com/tfjs-models/tfjs/mnist_transfer_cnn_v1/model.json');
model.summary();

Producción:

 

Ejemplo 2:

import * as tf from "@tensorflow/tfjs";
  
const input = tf.input({ shape: [4, 4, 4] });
const conv2DLayer = tf.layers.conv2d({ filters: 2, kernelSize: 2});
const output = conv2DLayer.apply(input);
  
const model = tf.model({ inputs: input, outputs: output });
console.log("Original Model's prediction:");
model.predict(tf.ones([1, 4, 4, 4])).print();
  
const path='file://./model'
  
const saveResults = await model.save(path);
  
const loadedModel = await tf.loadLayersModel(path);
console.log("Loaded Model's Prediction:");
model.predict(tf.ones([1, 4, 4, 4])).print();

Producción:

Original Model's prediction:
Tensor
    [[[[-0.592868, 0.4749331],
       [-0.592868, 0.4749331],
       [-0.592868, 0.4749331]],

      [[-0.592868, 0.4749331],
       [-0.592868, 0.4749331],
       [-0.592868, 0.4749331]],

      [[-0.592868, 0.4749331],
       [-0.592868, 0.4749331],
       [-0.592868, 0.4749331]]]]
Loaded Model's Prediction:
Tensor
    [[[[-0.592868, 0.4749331],
       [-0.592868, 0.4749331],
       [-0.592868, 0.4749331]],

      [[-0.592868, 0.4749331],
       [-0.592868, 0.4749331],
       [-0.592868, 0.4749331]],

      [[-0.592868, 0.4749331],
       [-0.592868, 0.4749331],
       [-0.592868, 0.4749331]]]]

Referencia: https://js.tensorflow.org/api/latest/#loadLayersModel