Dieser Artikel zeigt, wie ein mit Tensorflow erstelltes Modell in ein Format konvertiert wird, das mit Tnesorflow.js verwendet werden kann.

Python-Umgebung

pip install tensorflowjs

tfjs-converter

Tensorflow.js (TF.js) kann vorhandene Modelle, die von Tensorflow (TF) trainiert wurden, wiederverwenden. tfjs-converter ist ein Befehlszeilenprogramm zum Konvertieren von TensorFlow-Modellen und unterstützt verschiedene Formate wie HDF5.

tensorflowjs_converter --help
usage: TensorFlow.js model converters. [-h]
                                       [--input_format {tensorflowjs,keras,tf_hub,keras_saved_model,tf_saved_model,tfjs_layers_model}]
                                      [--output_format {tfjs_graph_model,tfjs_layers_model,tensorflowjs,keras}]
                                       [--signature_name SIGNATURE_NAME]
                                       [--saved_model_tags SAVED_MODEL_TAGS]
                                       [--quantization_bytes {1,2}]
                                       [--split_weights_by_layer] [--version]
                                       [--skip_op_check SKIP_OP_CHECK]
                                       [--strip_debug_ops STRIP_DEBUG_OPS]
                                       [--weight_shard_size_bytes WEIGHT_SHARD_SIZE_BYTES]
                                       [input_path] [output_path]

Sie können das gespeicherte Modell von TF in ein Webformat konvertieren, das von TF.js mit dem folgenden Befehl gelesen werden kann.

tensorflowjs_converter \
    --input_format=tf_saved_model \
    /path/to/saved_model \
    /path/to/web_model

Für --input_format können andere Formate wie keras, keras_saved_model und tf_hub ausgewählt werden.

tragbares Format

Es kann an einem anderen Ort als dem Ort, an dem das Modell trainiert wird, wiederverwendet werden. Merkmal ist,

Leichtgewicht: Kann in begrenztem Speicher gespeichert werden
Serialisieren: Gemeinsam nutzbar über Netzwerk-E / A.
Kompatibilität: Verfügbar auf mehreren Plattformen

Die von Tensorflow generierten Dateien basieren auf dem Protokollpuffer. Daher ist es in vielen Programmiersprachen ein lesbares Format. Darüber hinaus sind Formate wie ONNX auch plattformunabhängige Formate. (Kann auch mit Pytorch usw. verwendet werden)

Modell speichern

So speichern Sie ein Modell in Tensorflow (Python).

mport tensorflow as tf
from tensorflow import keras

print(tf.__version__) #2.1

(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

train_labels = train_labels[:1000]
test_labels = test_labels[:1000]

train_images = train_images[:1000].reshape(-1, 28 * 28) / 255.0
test_images = test_images[:1000].reshape(-1, 28 * 28) / 255.0

#Eine Funktion, die ein kurzes sequentielles Modell zurückgibt
def create_model():
  model = tf.keras.models.Sequential([
    keras.layers.Dense(512, activation='relu', input_shape=(784,)),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10, activation='softmax')
  ])
  
  model.compile(optimizer='adam', 
                loss='sparse_categorical_crossentropy',
                metrics=['accuracy'])
  
  return model

#Erstellen Sie eine Instanz des Grundmodells
model = create_model()
model.summary()

model.fit(train_images, train_labels, epochs=5)

#Speichern Sie das gesamte Modell in einer HDF5-Datei.
model.save('my_model.h5')
tf.saved_model.save(model, "./sample/model_data")
#imported = tf.saved_model.load("./sample/model_data")

Modellkonvertierung

Konvertieren Sie das in ./sample/model_data gespeicherte TF-Modell in ein Modell im TF.js-Format.

tensorflowjs_converter --input_format=tf_saved_model --output_node_names=output ./sample/model_data ./sample/model_tfjs_model

#HD5-Datenformat
tensorflowjs_converter --input_format keras my_model.h5 ./sample/hd5_model

#tf-Verwenden Sie das Hub-Modell
tensorflowjs_converter \
    --input_format=tf_hub \
    'https://tfhub.dev/google/imagenet/mobilenet_v1_100_224/classification/1' \
    ./my_tfjs_model

Was ist TF-Hub?

Tensorflow Hub ist eine Bibliothek, die Modelle für maschinelles Lernen usw. wiederverwenden kann. Sie können modernste Technologie für maschinelles Lernen verwenden, indem Sie das Modell laden und die Eingabe- und Ausgabeformate anpassen.

Modell laden

So laden Sie ein Modell mit Tensorflow.js.

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

const MODEL_URL = 'https://path/to/model.json';
const model = await tf.loadGraphModel(MODEL_URL);

// Or

const MODEL_PATH = 'file://path/to/model.json';
const model = await tf.loadGraphModel(MODEL_PATH);