嘿，恭喜你已经用TensorFlow.js训练出属于自己的模型啦！下面我就详细讲讲怎么把这个训练好的模型保存下来，以及后续在应用里怎么加载使用它——分浏览器和Node.js两种常见场景来说，你可以按需参考～

一、保存训练好的模型 #

1. 浏览器环境下的保存 #

浏览器里有两种常用的保存方式，看你的需求选：

• 保存到本地文件系统：适合需要把模型下载到本地备份，或者部署到其他地方的场景。直接调用模型的save方法，指定downloads://前缀：

  // 假设你的模型变量叫model
  model.save('downloads://my-trained-model');
  

  执行后浏览器会自动下载两个类型的文件：一个model.json（包含模型的拓扑结构、权重索引等元信息），以及一组.bin格式的权重文件。

• 保存到浏览器IndexedDB：适合需要在当前浏览器域名下持久化模型的场景（比如用户刷新页面后还能复用模型，不用重新训练）。用indexeddb://前缀：

  await model.save('indexeddb://my-trained-model');
  

  这个操作会把模型存在浏览器的IndexedDB数据库里，同一个域名下后续可以直接读取。

2. Node.js环境下的保存 #

如果是在Node.js环境中训练的模型（比如用@tensorflow/tfjs-node或@tensorflow/tfjs-node-gpu），可以直接保存到本地文件系统：

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

// 假设model是训练好的模型
await model.save('file://./models/my-trained-model');

执行后会在指定路径下生成model.json和对应的.bin权重文件，和浏览器下载的结构一致。

二、加载已保存的模型 #

1. 浏览器环境下的加载 #

• 加载本地下载的模型：需要把model.json和.bin文件部署到服务器（或者用本地开发服务器，比如VS Code的Live Server插件），然后用tf.loadLayersModel方法加载：

  const loadedModel = await tf.loadLayersModel('http://your-domain.com/models/my-trained-model/model.json');
  

  注意：如果直接打开本地HTML文件加载本地模型，会遇到跨域问题，所以一定要用服务器托管模型文件。

• 加载IndexedDB里的模型：直接用之前保存的indexeddb://路径即可，同一个域名下无需额外部署：

  const loadedModel = await tf.loadLayersModel('indexeddb://my-trained-model');
  

2. Node.js环境下的加载 #

同样用tf.loadLayersModel，指定本地文件路径即可：

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

const loadedModel = await tf.loadLayersModel('file://./models/my-trained-model/model.json');

小提示 #

如果你的模型使用了自定义层、自定义损失函数或者自定义指标，在加载模型之前一定要先注册这些自定义组件，否则会加载失败。比如自定义层的注册：

class MyCustomLayer extends tf.layers.Layer {
  // 自定义层的实现
}

// 注册自定义层
tf.serialization.registerClass(MyCustomLayer);

// 之后再加载模型
const loadedModel = await tf.loadLayersModel(...);

内容的提问来源于stack exchange，提问作者TheUnreal