本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
在本文中，我们将学习如何使用 TensorFlow.js 和 Node.js 保存和加载模型。我们将涵盖以下主题：
第一步是保存我们的模型。我们可以使用 tf.Model.save 方法来做到这一点。此方法有两个参数：
path: 保存模型的路径。overwrite: 一个布尔值，指示是否覆盖指定路径上的现有模型。这是保存模型的示例：
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);
在此示例中，我们已将模型保存到“/tmp/model/1”目录。 overwrite 参数设置为 true，因此如果该目录中已有模型，它将被覆盖。
现在我们已经保存了我们的模型，让我们学习如何加载它。我们可以使用 tf.loadModel 方法来做到这一点。此方法采用一个参数：
path：保存模型的路径。这是加载模型的示例：
const model = await tf.loadModel('/tmp/model/1/model.json');
在这个例子中，我们从 /tmp/model/1 目录加载了我们的模型。
加载模型后，我们可以使用它进行预测。我们可以使用 model.predict 方法来做到这一点。此方法采用一个参数：
inputs：进行预测的输入数据。这可以是单个“tf.Tensor”或“tf.Tensor”的“数组”。下面是使用模型进行预测的示例：
const input = tf.tensor2d([[1.0]]);
const output = model.predict(input);
output.print();
在此示例中，我们创建了一个值为“[[1.0]]”的“tf.Tensor”。我们已将此张量传递给 model.predict 方法，该方法返回一个预测。然后我们将预测打印到控制台。