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

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 LayersModel 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 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 archivo de almacenamiento local, descargas de archivos, IndexedDB en el navegador web, así como 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 strings 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 las técnicas de string basadas en el 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 devuelto: Devuelve la promesa de io.SaveResult.

Ejemplo 1:

// Importing the tensorflow.js library
import * as tf from "@tensorflow/tfjs"
  
// Creating a model
const model = tf.sequential(
     {layers: [tf.layers.dense({units: 2, inputShape: [2]})]});
  
// Calling save() method
const res = await model.save('localstorage://mymodel');
  
// Printing output
console.log(res)

Producción:

{
  "modelArtifactsInfo": {
    "dateSaved": "2021-08-23T09:53:28.198Z",
    "modelTopologyType": "JSON",
    "modelTopologyBytes": 612,
    "weightSpecsBytes": 125,
    "weightDataBytes": 24
  }
}

Ejemplo 2:

// Importing the tensorflow.js library
import * as tf from "@tensorflow/tfjs"
  
// Creating a model
const model = tf.sequential(
     {layers: [tf.layers.dense({units: 2, inputShape: [2]})]});
  
// Calling save() method
const res = await model.save('localstorage://mymodel', true, true);
  
// Printing output
console.log(JSON.stringify(res))

Producción:

{"modelArtifactsInfo":{"dateSaved":"2021-08-23T09:55:33.044Z",
"modelTopologyType":"JSON","modelTopologyBytes":612,
"weightSpecsBytes":125,"weightDataBytes":24}}

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