TF: TensorFlow save model di Colab

Menyimpan dan memuat kembali model TensorFlow yang telah dilatih adalah langkah penting dalam pengembangan dan deployment model pembelajaran mesin. Di Google Colab, proses ini dapat dilakukan dengan mudah menggunakan berbagai format penyimpanan yang didukung oleh TensorFlow. Berikut adalah beberapa format utama beserta contoh penggunaannya:

1. Format SavedModel

SavedModel adalah format penyimpanan default di TensorFlow yang menyimpan arsitektur, bobot, dan konfigurasi pelatihan model. Format ini sangat cocok untuk deployment dan kompatibel dengan berbagai platform.

Menyimpan Model:

import tensorflow as tf

# Misalkan kita memiliki model yang telah dilatih
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10)
])

# Melatih model (contoh)
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
# model.fit(data_latih, label_latih, epochs=5)

# Menyimpan model dalam format SavedModel
model.save('saved_model/my_model')

Memuat Model:

# Memuat kembali model
new_model = tf.keras.models.load_model('saved_model/my_model')

# Memeriksa arsitektur model
new_model.summary()

Dengan menggunakan format SavedModel, Anda dapat dengan mudah menyimpan dan memuat kembali model tanpa kehilangan informasi penting.

2. Format HDF5

HDF5 adalah format penyimpanan yang populer dan didukung oleh TensorFlow untuk kompatibilitas dengan versi sebelumnya.

Menyimpan Model:

# Menyimpan model dalam format HDF5
model.save('my_model.h5')

Memuat Model:

# Memuat kembali model
new_model = tf.keras.models.load_model('my_model.h5')

# Memeriksa arsitektur model
new_model.summary()

Format HDF5 memungkinkan penyimpanan model dalam satu file, yang memudahkan distribusi dan penyimpanan.

3. Format `.keras`

Format `.keras` adalah format penyimpanan tingkat tinggi yang baru, yang menyediakan penyimpanan berbasis nama yang lebih efisien dan mudah untuk debug.

Menyimpan Model:

# Menyimpan model dalam format .keras
model.save('my_model.keras', save_format='keras')

Memuat Model:

# Memuat kembali model
new_model = tf.keras.models.load_model('my_model.keras', custom_objects={'Functional': tf.keras.models.Model})

# Memeriksa arsitektur model
new_model.summary()

Format `.keras` menawarkan fleksibilitas dan kemudahan dalam pengelolaan model, terutama saat bekerja dengan arsitektur yang kompleks.

Menyimpan Model ke Google Drive

Di Google Colab, Anda dapat menyimpan model langsung ke Google Drive untuk penyimpanan yang aman dan akses mudah di masa mendatang.

Menyimpan Model ke Google Drive:

from google.colab import drive
import os

# Menghubungkan Colab ke Google Drive
drive.mount('/content/drive')

# Tentukan path di Google Drive
model_path = '/content/drive/My Drive/my_model.h5'

# Menyimpan model ke path tersebut
model.save(model_path)

Memuat Model dari Google Drive:

# Memuat kembali model dari Google Drive
new_model = tf.keras.models.load_model(model_path)

# Memeriksa arsitektur model
new_model.summary()

Dengan menyimpan model ke Google Drive, Anda memastikan model Anda tersimpan dengan aman dan dapat diakses dari mana saja.

Untuk panduan lebih lanjut, Anda dapat merujuk pada tutorial resmi TensorFlow tentang menyimpan dan memuat model di Colab: https://colab.research.google.com/github/csahat/docs/blob/keras-save_load-trans-id/site/id/tutorials/keras/save_and_load.ipynb

Dengan memahami berbagai format penyimpanan model dan cara memuatnya kembali di Colab, Anda dapat mengelola siklus hidup model pembelajaran mesin dengan lebih efektif dan efisien.