TensorFlow.js 導(dǎo)入Keras模型

Keras模型（通常通過Python API創(chuàng)建）的存儲(chǔ)格式可以有多種， 其中“整個(gè)模型”（即架構(gòu)+權(quán)重+優(yōu)化器狀態(tài)都存在一個(gè)文件內(nèi)）格式可以轉(zhuǎn)換為 TensorFlow.js Layers格式，可以直接加載到TensorFlow.js中進(jìn)行推理或進(jìn)一步訓(xùn)練。

TensorFlow.js Layers格式是一個(gè)包含model.json文件和一組二進(jìn)制格式的權(quán)重文件分片的目錄。 model.json文件包含模型拓?fù)浣Y(jié)構(gòu)（又名“體系結(jié)構(gòu)”或“圖”：層的描述以及它們?nèi)绾芜B接）以及權(quán)重文件的清單。

要求

運(yùn)行模型格式轉(zhuǎn)換程序需要Python環(huán)境;如果你想要一個(gè)獨(dú)立的環(huán)境，你可以使用pipenv或virtualenv。要安裝轉(zhuǎn)換器，請(qǐng)使用這個(gè)命令 

pip install tensorflowjs

將Keras模型導(dǎo)入TensorFlow.js可以分為兩個(gè)步驟。首先，將現(xiàn)有的Keras模型轉(zhuǎn)換為TF.js Layers格式，然后將其加載到TensorFlow.js中。

1、將Keras模型轉(zhuǎn)換為TF.js Layers格式

Keras模型通常使用model.save(filepath)保存，它生成一個(gè)包含模型拓?fù)浣Y(jié)構(gòu)和權(quán)重的HDF5（.h5）文件。要將這樣的文件轉(zhuǎn)換為TF.js Layer格式，請(qǐng)運(yùn)行以下命令，其中path / to / my_model.h5是Keras .h5源文件，path / to / tfjs_target_dir是TF.js文件的輸出目錄：

# bash

tensorflowjs_converter --input_format keras \
                       path/to/my_model.h5 \
                       path/to/tfjs_target_dir

這一步驟的另一個(gè)方案：使用Python API直接導(dǎo)出為TF.js Layers格式

如果您在Python中使用Keras模型，則可以將其直接導(dǎo)出為TensorFlow.js Layers格式，如下所示：

# Python

import tensorflowjs as tfjs

def train(...):
    model = keras.models.Sequential()   # for example
    ...
    model.compile(...)
    model.fit(...)
    tfjs.converters.save_keras_model(model, tfjs_target_dir)

2、將模型加載到TensorFlow.js中

使用Web服務(wù)器來為您在步驟1中生成的轉(zhuǎn)換模型文件提供服務(wù)。請(qǐng)注意，為了允許JavaScript獲取文件，您可能需要配置服務(wù)器以允許跨源資源共享（CORS）。

然后通過提供model.json文件的URL將模型加載到TensorFlow.js中：

// JavaScript

import * as tf from '@tensorflow/tfjs';

const model = await tf.loadModel('https://foo.bar/tfjs_artifacts/model.json');

現(xiàn)在該模型已準(zhǔn)備好進(jìn)行推理，評(píng)估或重新訓(xùn)練。例如，加載的模型可以立即用于預(yù)測(cè)：

// JavaScript

const example = tf.fromPixels(webcamElement);  // for example
const prediction = model.predict(example);

TensorFlow.js Examples中的很多例子都采用此方法，使用已在Google云端存儲(chǔ)上轉(zhuǎn)換并托管的預(yù)訓(xùn)練模型。

請(qǐng)注意，您使用model.json文件名來引用整個(gè)模型。 loadModel（...）獲取model.json，然后發(fā)出額外的HTTP（S）請(qǐng)求以獲取model.json權(quán)重清單中引用的權(quán)重文件分片。這種方法允許所有這些文件被瀏覽器緩存（也可能通過互聯(lián)網(wǎng)上的其他緩存服務(wù)器），因?yàn)閙odel.json和weight shard分別小于典型的緩存文件大小限制。因此，模型可能會(huì)在隨后的場(chǎng)合更快加載。

支持的功能

TensorFlow.js Layers目前僅支持使用標(biāo)準(zhǔn)Keras構(gòu)造的Keras模型。使用了不受支持的操作或?qū)樱ɡ缱远x層，Lambda層，自定義損失或自定義指標(biāo)）的模型將無法自動(dòng)導(dǎo)入，因?yàn)樗鼈兯蕾嚨腜ython代碼無法正確地轉(zhuǎn)換為JavaScript。