Node.js Tensorflow NodeJS-序列化/反序列化模型，而不将其写入URI

在NodeJS中使用Tensorflow。我使用以下方法培训了一名模型：

const model = await model.fit(inputs, expected, {
    epochs: 100,
    shuffle: true,
    batchSize: 100,
    verbose: 0
});

现在我想获取该模型并将其序列化为字符串值。注意：我不想将其保存到文件系统或API端点模型中。保存…，我想将其表示形式存储在变量中，即，我想要一个包含与使用model.save…时在文件中找到的值相同的值的变量

---

我想要类似model.serialize的东西，它将模型作为字符串或包含权重的JSON对象返回给我，这样我以后就可以重建模型，而不必强制从文件系统读取或手动加载每个权重、单位等。

好的，我找到了一种方法，如果其他人需要帮助，我将在下面发布：

要将模型保存为JSON字符串，请执行以下操作：

let result = await model.save(tf.io.withSaveHandler(async modelArtifacts => modelArtifacts));
result.weightData = Buffer.from(result.weightData).toString("base64");
const jsonStr = JSON.stringify(result);

然后再次加载：

const json = JSON.parse(jsonStr);
const weightData = new Uint8Array(Buffer.from(json.weightData, "base64")).buffer;
const model = await tf.loadLayersModel(tf.io.fromMemory(json.modelTopology, json.weightSpecs, weightData));

由于ArrayBuffer没有序列化为JSON，因此有必要对weightData进行处理。如果有办法避免这种情况，那就好了

---

这是在@tensorflow/tfjs node v1.0.3中实现的。好的，我找到了一种方法，如果其他人需要帮助，我会在下面发布：

要将模型保存为JSON字符串，请执行以下操作：

let result = await model.save(tf.io.withSaveHandler(async modelArtifacts => modelArtifacts));
result.weightData = Buffer.from(result.weightData).toString("base64");
const jsonStr = JSON.stringify(result);

然后再次加载：

const json = JSON.parse(jsonStr);
const weightData = new Uint8Array(Buffer.from(json.weightData, "base64")).buffer;
const model = await tf.loadLayersModel(tf.io.fromMemory(json.modelTopology, json.weightSpecs, weightData));

由于ArrayBuffer没有序列化为JSON，因此有必要对weightData进行处理。如果有办法避免这种情况，那就好了

---

这是@tensorflow/tfjs node v1.0.3版提供的，谢谢。正在寻找将tensorflow模型存储在mongoDb数据库中的方法。我认为这将是一个很好的答案，谢谢。比一个很好的答案要好。使用此方法，可以生成多个web工作程序，而不必将其模型加载到每个工作程序中，从而导致多个网络调用。。。您可以在主线程中加载模型，并将其传递给池中的每个工作线程。请注意，TF已从内存更新为接受单个参数，即对象{modelTopology:json.modelTopology，：weightSpecs:json.weightSpecs，weightData:weightData}。另外，如果需要，请确保使用tf.loadGraphModel。这是用于训练模型的格式。谢谢。正在寻找将tensorflow模型存储在mongoDb数据库中的方法。我认为这将是一个很好的答案，谢谢。比一个很好的答案要好。使用此方法，可以生成多个web工作程序，而不必将其模型加载到每个工作程序中，从而导致多个网络调用。。。您可以在主线程中加载模型，并将其传递给池中的每个工作线程。请注意，TF已从内存更新为接受单个参数，即对象{modelTopology:json.modelTopology，：weightSpecs:json.weightSpecs，weightData:weightData}。此外，如果需要，请确保使用tf.loadGraphModel。这是用于训练模型的格式。