Esta página se tradujo automáticamente con la API de traducción de Google Cloud.
Algunas páginas se pueden leer mejor en su totalidad.
En esta publicación, aprenderemos cómo guardar y cargar modelos con TensorFlow.js y Node.js. Cubriremos los siguientes temas:
El primer paso es guardar nuestro modelo. Podemos hacer esto con el método tf.Model.save. Este método toma dos argumentos:
ruta: La ruta para guardar el modelo.overwrite: un valor booleano que indica si se sobrescribe o no el modelo existente en la ruta especificada.Aquí hay un ejemplo de cómo guardar un modelo:
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});
model.save('/tmp/model/1/model.json', true);
En este ejemplo, hemos guardado nuestro modelo en el directorio /tmp/model/1. El parámetro overwrite se establece en true, por lo que si ya hubiera un modelo en ese directorio, se sobrescribiría.
Ahora que hemos guardado nuestro modelo, aprendamos cómo cargarlo. Podemos hacer esto con el método tf.loadModel. Este método toma un argumento:
ruta: La ruta al modelo guardado.Aquí hay un ejemplo de cómo cargar un modelo:
const model = await tf.loadModel('/tmp/model/1/model.json');
En este ejemplo, hemos cargado nuestro modelo desde el directorio /tmp/model/1.
Una vez que hayamos cargado nuestro modelo, podemos usarlo para hacer predicciones. Podemos hacer esto con el método model.predict. Este método toma un argumento:
entradas: Los datos de entrada para hacer predicciones. Puede ser un solo tf.Tensor o un Array de tf.Tensors.Este es un ejemplo del uso de un modelo para hacer predicciones:
const input = tf.tensor2d([[1.0]]);
const output = model.predict(input);
output.print();
En este ejemplo, hemos creado un tf.Tensor con el valor [[1.0]]. Hemos pasado este tensor al método model.predict, que devuelve una predicción. Luego imprimimos la predicción en la consola.