Neural network TensorFlow.js：在培训期间保存不同的模型实例

我正在节点上运行TensorFlow.JS，我希望能够在某一点的培训过程中保存一个模型

我试图将实际的模型复制到一个全局变量，但JavaScript对象是通过引用复制的，并且最终全局变量的模型与上一个训练历元的模型相同

然后，我使用了许多不同的JavaScript方法来进行深度克隆（包括lodash deep clone），但在复制的类似于模型的函数（如model.evaluate）上会出现错误，最终会丢失这些函数

我想知道保存某个检查点的唯一方法是直接使用model.save（）还是有其他方法将模型对象复制（通过值而不是引用）到全局或类属性

谢谢你

**更新**

目前，对我来说，最好的解决方案是创建模型的副本：

  const copyModel = (model) => {
    const copy = tf.sequential();
    model.layers.forEach(layer => {
      copy.add(layer);
    });
    copy.compile({ loss: model.loss, optimizer: model.optimizer });
    return copy;
  }

• 考虑到您可能需要将一些其他设置从原始模型复制到新模型（副本）

---

A

tf.Model

对象包含权重值，通常位于GPU上 （如WebGL纹理）并且不容易关闭。所以这不是一个好主意 克隆一个

tf.Model

对象。您应该序列化它并将其保存在某个位置。 有两种选择：
• 如果您在Node.js中，那么应该有相对充足的存储空间。只是 使用

  Model.save（）
  稍后

• 如果您希望避免使用文件系统，那么可以在内存中进行序列化和反序列化。使用方法

  tf.io.with saveHandler

  和

  tf.io.fromMemory（）

  。请参见下面的示例：

---

你能展示一下代码吗？这个解决方案非常有效，谢谢@scai！！能够将检查点保存在内存中是我的需要。虽然这样做有效，但我发现在运行模型方法（如evaluate）时，我会出现以下错误：“错误：模型需要在使用之前进行编译。”我使用自己的代码以及使用model2和model3的示例对此进行了测试。TensorFlow.JS API说：“在compile（）期间指定损失和度量，这需要在调用evaluate（）之前进行。”也许某些模型配置没有使用此方法传输？再次感谢！正确的。保存的模型工件当前不包括丢失和优化器信息。加载模型后可以再次调用compile吗？为什么保存后需要加载？当然，储蓄然后继续训练会更有效率吗？

const tf = require('@tensorflow/tfjs');
require('@tensorflow/tfjs-node');

(async function main() {
  const model = tf.sequential();
  model.add(tf.layers.dense({units: 1, inputShape: [3], useBias: false}));
  model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

  const xs = tf.randomUniform([4, 3]);
  const ys = tf.randomUniform([4, 1]);

  const artifactsArray = [];

  // First save, before training.
  await model.save(tf.io.withSaveHandler(artifacts => {
    artifactsArray.push(artifacts);
  }));

  // First load.
  const model2 = await tf.loadModel(tf.io.fromMemory(
      artifactsArray[0].modelTopology, artifactsArray[0].weightSpecs,
      artifactsArray[0].weightData));

  // Do some training.
  await model.fit(xs, ys, {epochs: 5});

  // Second save, before training.
  await model.save(tf.io.withSaveHandler(artifacts => {
    artifactsArray.push(artifacts);
  }));

  // Second load.
  const model3 = await tf.loadModel(tf.io.fromMemory(
      artifactsArray[1].modelTopology, artifactsArray[1].weightSpecs,
      artifactsArray[1].weightData));

  // The two loaded models should have different weight values.
  model2.getWeights()[0].print();
  model3.getWeights()[0].print();
})();