Сохранение модели на диск

Библиотека Brain.js предоставляет инструменты для создания, обучения и использования нейронных сетей на JavaScript. Одним из ключевых аспектов работы с нейронными сетями является возможность сохранять обученные модели для последующего использования, что позволяет избежать повторного обучения и ускоряет внедрение сети в приложения.

Экспорт модели

После завершения обучения нейронной сети можно сохранить её состояние в виде объекта. Для этого используется метод toJSON(), который сериализует все веса, структуры и настройки сети в стандартный JSON-формат:

const brain = require('brain.js');
const net = new brain.NeuralNetwork();

// Обучение сети
net.train([
  { input: [0, 0], output: [0] },
  { input: [0, 1], output: [1] },
  { input: [1, 0], output: [1] },
  { input: [1, 1], output: [0] },
]);

// Сохранение модели в объект JSON
const jsonModel = net.toJSON();

Ключевые моменты:

  • toJSON() включает в себя все внутренние параметры сети: веса, смещения и настройки обучения.
  • Результат можно сохранять в файл для последующего восстановления.

Сохранение JSON в файл

Для записи модели на диск используется стандартный модуль Node.js fs:

const fs = require('fs');

fs.writeFileSync('model.json', JSON.stringify(jsonModel, null, 2));

Особенности:

  • Использование JSON.stringify с параметром null, 2 позволяет сохранять JSON в удобочитаемом формате.
  • Файл model.json содержит полное состояние сети, что позволяет восстановить модель позже без повторного обучения.

Восстановление модели из файла

Для загрузки ранее сохранённой модели необходимо прочитать JSON-файл и передать его в метод fromJSON():

const savedModel = JSON.parse(fs.readFileSync('model.json', 'utf-8'));
const newNet = new brain.NeuralNetwork();
newNet.fromJSON(savedModel);

// Применение восстановленной сети
console.log(newNet.run([1, 0])); // [0.987] – пример выхода

Важно:

  • Восстановленная сеть сохраняет все обученные веса, что позволяет использовать её как полноценную обученную модель.
  • Метод fromJSON() можно применять к новой или существующей сети, перезаписывая её текущее состояние.

Автономные сети: NeuralNetworkGPU и LSTM

Для сетей с ускорением на GPU или рекуррентных сетей (например, LSTM) процесс сохранения и восстановления идентичен:

const net = new brain.recurrent.LSTM();
net.train([
  { input: "Привет", output: "Здравствуйте" },
  { input: "Пока", output: "До свидания" }
]);

const jsonModel = net.toJSON();
fs.writeFileSync('lstm_model.json', JSON.stringify(jsonModel, null, 2));

const lstmNet = new brain.recurrent.LSTM();
lstmNet.fromJSON(JSON.parse(fs.readFileSync('lstm_model.json', 'utf-8')));
console.log(lstmNet.run("Привет")); // "Здравствуйте"

Особенности сохранения:

  • Любая рекуррентная сеть сохраняет порядок нейронных связей и состояния памяти.
  • Восстановление сети полностью восстанавливает её функциональность без повторного обучения.

Автоматизация процесса сохранения

Для проектов с частыми изменениями модели удобно реализовать автоматическое сохранение после обучения:

function saveNetwork(network, filename) {
  const json = network.toJSON();
  fs.writeFileSync(filename, JSON.stringify(json, null, 2));
}

// Использование
saveNetwork(net, 'xor_model.json');

Преимущества такого подхода:

  • Исключение человеческой ошибки при ручном сохранении.
  • Возможность версионирования моделей для анализа прогресса обучения.

Рекомендации по хранению моделей

  1. Использовать читаемый формат JSON для простоты отладки и миграции.
  2. Не хранить обучающие данные вместе с моделью, чтобы уменьшить размер файла.
  3. Версионировать модели, особенно при изменении архитектуры сети или гиперпараметров.
  4. Резервное копирование для защиты от случайной потери файлов.

Прямое сохранение бинарного формата

Хотя Brain.js работает с JSON, для проектов с большим объёмом данных можно использовать бинарное хранение через Buffer:

const buffer = Buffer.from(JSON.stringify(net.toJSON()));
fs.writeFileSync('model.bin', buffer);

// Чтение
const loadedBuffer = fs.readFileSync('model.bin');
const loadedModel = JSON.parse(loadedBuffer.toString());
newNet.fromJSON(loadedModel);

Преимущества:

  • Меньший размер файла за счёт бинарного формата.
  • Быстрее запись и чтение для больших сетей.

С помощью этих методов можно эффективно сохранять, загружать и управлять нейронными сетями в Brain.js, что обеспечивает надёжную интеграцию моделей в проекты без необходимости повторного обучения.

Оглавление