Tensorflow.js tf.GraphModel clase .save() Método

Introducción: Tensorflow.js es una biblioteca de código abierto desarrollada por Google para ejecutar modelos de aprendizaje automático, así como redes neuronales de aprendizaje profundo en el entorno del navegador o del Node.

La función .save() se usa para guardar la estructura y/o los pesos del GraphModel indicado . 

Nota:

• Un IOHandler es un objeto que posee un método de guardado relacionado con la firma precisa especificada.
• El método de guardar controla la acumulación o la transmisión de datos secuenciales, es decir, artefactos que describen la topología del modelo, así como los pesos sobre o por medio de un medio en particular, como el archivo de almacenamiento local , las descargas de archivos , IndexedDB en el navegador web, así como las requests HTTP a un servidor.
• TensorFlow.js permite implementaciones de IOHandler  a favor de una serie de medios de almacenamiento utilizados repetidamente, como tf.io.browserDownloads() y tf.io.browserLocalStorage .
• Además, este método también nos permite aplicar tipos específicos de IOHhandlers , como técnicas de string similares a URL, como ‘localstorage://’ e ‘indexeddb://’ .

Sintaxis:

save(handlerOrURL, config?)

Parámetros:  

• handlerOrURL: la instancia indicada de IOHandler o una URL que se parece a técnicas de string basadas en diseño a favor de IOHandler . Es de tipo io.IOHandler|string .
• config: Las opciones indicadas para guardar el modelo indicado. Es opcional y es de tipo objeto. Tiene dos argumentos debajo, como se indica a continuación:

1. trainableOnly: Indica si solo se guardan los pesos entrenables del modelo indicado, pasando por alto los pesos no entrenables. Es de tipo booleano y su valor predeterminado es falso.
2. includeOptimizer: Indica si se almacenará o no el optimizador indicado. Es de tipo booleano y su valor predeterminado es falso.

Valor de retorno: Devuelve la promesa de io.SaveResult.

Ejemplo 1:

// Importing the tensorflow.js library
import * as tf from "@tensorflow/tfjs"
  
// Defining model url
const model_Url =
'https://storage.googleapis.com/tfjs-models/savedmodel/mobilenet_v2_1.0_224/model.json';
  
// Calling the loadGraphModel() method
const mymodel = await tf.loadGraphModel(model_Url);
  
// Calling save() method
const output = await mymodel.save('downloads://mymodel');
  
// Printing output
console.log(output)

Producción:

{
  "modelArtifactsInfo": {
    "dateSaved": "2021-08-19T12:00:15.603Z",
    "modelTopologyType": "JSON",
    "modelTopologyBytes": 90375,
    "weightSpecsBytes": 15791,
    "weightDataBytes": 13984940
  }
}

Ejemplo 2:

// Importing the tensorflow.js library
import * as tf from "@tensorflow/tfjs"
  
// Calling the loadGraphModel() method
const mymodel = await tf.loadGraphModel(
'https://storage.googleapis.com/tfjs-models/savedmodel/mobilenet_v2_1.0_224/model.json');
  
// Calling save() method with all its
// parameters
const output = await mymodel.save('downloads://mymodel', true, true);
  
// Printing output
console.log(JSON.stringify(output))

Producción:

{"modelArtifactsInfo":{"dateSaved":"2021-08-19T12:05:35.906Z",
"modelTopologyType":"JSON","modelTopologyBytes":90375,
"weightSpecsBytes":15791,"weightDataBytes":13984940}}

Referencia: https://js.tensorflow.org/api/latest/#tf.GraphModel.save