TensorFlow.js 提供了保存和加载模型的功能，这些模型可以使用 Layers API 创建或从现有 TensorFlow 模型转换而来。可能是您自己训练的模型，也可能是其他人训练的模型。使用 Layers API 的一个主要好处是，使用它创建的模型是可序列化模型，这就是我们将在本教程中探讨的内容。
本教程将重点介绍如何保存和加载 TensorFlow.js 模型（可通过 JSON 文件识别）。我们也可以导入 TensorFlow Python 模型。以下两个教程介绍了如何加载这些模型：
保存 tf.Model
tf.Model 和 tf.Sequential 都提供了 model.save 函数，您可以借助该函数保存模型的拓扑和权重 。
拓扑：这是一个描述模型架构的文件（例如模型使用了哪些运算）。它包含对外部存储的模型权重的引用。
权重：这些是以有效格式存储给定模型权重的二进制文件。它们通常存储在与拓扑相同的文件夹中。
我们来看看用于保存模型的代码：
const saveResult = await model.save('localstorage://my-model-1');
一些需要注意的地方：
save方法采用以协议名称开头的类网址字符串参数。它描述了我们想保存模型的地址的类型。在上例中，协议名称为localstorage://。- 协议名称之后是路径。在上例中，路径是
my-model-1。 save方法是异步的。model.save的返回值是一个 JSON 对象，包含模型的拓扑和权重的字节大小等信息。- 用于保存模型的环境不会影响可以加载模型的环境。在 node.js 中保存模型不会阻碍在浏览器中加载模型。
我们将在下面查看不同协议名称。
本地存储空间（仅限浏览器）
协议名称： localstorage://
await model.save('localstorage://my-model');
这会在浏览器的本地存储空间中以名称 my-model 保存模型。这样能够在浏览器刷新后保持不变，而当存储空间成为问题时，用户或浏览器本身可以清除本地存储。每个浏览器还可为给定域设置本地存储空间中可以存储的数据量。
IndexedDB（仅限浏览器）
协议名称： indexeddb://
await model.save('indexeddb://my-model');
这会将模型保存到浏览器的 IndexedDB 存储空间中。与本地存储一样，它在刷新后仍然存在，同时所存储对象大小的上限更高。
文件下载（仅限浏览器）
协议名称： downloads://
await model.save('downloads://my-model');
这会让浏览器将模型文件下载至用户的机器上。将生成两个文件：
- 一个名为
[my-model].json的 JSON 文本文件，其中包含模型拓扑和对下文所述权重文件的引用。 - 一个二进制文件，其中包含名为
[my-model].weights.bin的权重值。
您可以更改 [my-model] 名称以获得一个名称不同的文件。
由于 .json 文件使用相对路径指向 .bin，因此两个文件应位于同一个文件夹中。
注：某些浏览器要求用户先授予权限，然后才能同时下载多个文件。
HTTP(S) 请求
协议名称：http:// 或 https://
await model.save('http://model-server.domain/upload')
这将创建一个 Web 请求，以将模型保存到远程服务器。您应该控制该远程服务器，确保它能够处理该请求。
模型将通过 POST 请求发送至指定的 HTTP 服务器。POST 主体采用 multipart/form-data 格式并包含两个文件：
- 一个名为
model.json的 JSON 文本文件，其中包含模型拓扑和对下文所述权重文件的引用。 - 一个二进制文件，其中包含名为
model.weights.bin的权重值。
请注意，这两个文件的名称需要始终与上面所指定的完全相同（因为名称内置于函数中）。此 API 文档包含一个 Python 代码段，演示了如何使用 Flask Web 框架处理源自 save 的请求。
通常，您必须向 HTTP 服务器传递更多参数或请求头（例如，用于身份验证，或者如果要指定应保存模型的文件夹）。您可以通过替换 tf.io.browserHTTPRequest 中的网址字符串参数来获得对来自 save 的请求在这些方面的细粒度控制。此 API 在控制 HTTP 请求方面提供了更大的灵活性。
例如：
await model.save(tf.io.browserHTTPRequest(
'http://model-server.domain/upload',
{method: 'PUT', headers: {'header_key_1': 'header_value_1'} }));
原生文件系统（仅限 Node.js）
协议名称： file://
await model.save('file:///path/to/my-model');
在 Node.js 上运行时，我们还可以直接访问文件系统并保存模型。上面的命令会将两个文件保存到在 scheme 后指定的 path 中。
- 一个名为
[model].json的 JSON 文本文件，其中包含模型拓扑和对下文所述权重文件的引用。 - 一个二进制文件，其中包含名为
[model].weights.bin的权重值。
请注意，这两个文件的名称需要始终与上面所指定的完全相同（因为名称内置于函数中）。
加载 tf.Model
给定一个使用上述方法之一保存的模型，我们可以使用 tf.loadLayersModel API 加载它。
我们来看看加载模型的代码：
const model = await tf.loadLayersModel('localstorage://my-model-1');
一些需要注意的地方：
- 与
model.save()类似，loadLayersModel函数也采用以协议名称开头的类网址字符串参数。它描述了我们想要从中加载模型的目标类型。 - 协议名称之后是路径。在上例中，路径是
my-model-1。 - 类网址字符串可以替换为与 IOHandler 接口匹配的对象。
tf.loadLayersModel()函数是异步的。tf.loadLayersModel的返回值为tf.Model。
我们将在下面查看不同协议名称。
本地存储空间（仅限浏览器）
协议名称： localstorage://
const model = await tf.loadLayersModel('localstorage://my-model');
这将从浏览器的本地存储空间加载一个名为 my-model 的模型。
IndexedDB（仅限浏览器）
协议名称： indexeddb://
const model = await tf.loadLayersModel('indexeddb://my-model');
这将从浏览器的 IndexedDB 存储空间加载一个模型。
HTTP(S)
协议名称：http:// 或 https://
const model = await tf.loadLayersModel('http://model-server.domain/download/model.json');
这将从 HTTP 端点加载模型。加载 json 文件后，函数将请求 json 文件引用的对应 .bin 文件。
注：此实现依赖于
fetch方法，如果您的环境没有提供原生 fetch 方法，您可以提供满足接口要求的全局方法名称fetch，或者使用类似于 (node-fetch)[https://www.npmjs.com/package/node-fetch] 的库。
原生文件系统（仅限 Node.js）
协议名称： file://
const model = await tf.loadLayersModel('file://path/to/my-model/model.json');
在 Node.js 上运行时，我们还可以直接访问文件系统并加载模型。请注意，在上面的函数调用中，我们引用 model.json 文件本身（在保存时，我们指定一个文件夹）。对应的 .bin 文件应与 json 文件位于同一个文件夹中。
使用 IOHandler 加载模型
如果上述协议名称没有满足您的需求，您可以使用 IOHandler 实现自定义加载行为。Tensorflow.js 提供的一个 IOHandler 是 tf.io.browserFiles，它允许浏览器用户在浏览器中上传模型文件。请参阅文档了解更多信息。
使用自定义 IOHandler 保存或加载模型
如果上述协议名称没有满足您的保存或加载需求，您可以通过实现 IOHandler 来实现自定义序列化行为。
IOHandler 是一个包含 save 和 load 方法的对象。
save 函数采用一个与 ModelArtifacts 接口匹配的参数，应返回一个解析为 SaveResult 对象的 promise。
load 函数不采用参数，应返回一个解析为 ModelArtifacts 对象的 promise。这是传递给 save 的同一对象。
请参阅 BrowserHTTPRequest 获取如何实现 IOHandler 的示例。