একটি প্রশ্ন আছে? টেনসরফ্লো ফোরাম ভিজিট ফোরামের সম্প্রদায়ের সাথে সংযুক্ত হন

টেনসরফ্লো.জেএসসে কেরাস মডেল আমদানি করা হচ্ছে

কেরাস মডেলগুলি (সাধারণত পাইথন এপিআইয়ের মাধ্যমে তৈরি) বেশ কয়েকটি ফর্ম্যাটের একটিতে সংরক্ষণ করা যেতে পারে। "পুরো মডেল" ফর্ম্যাটটি টেনসরফ্লো.জেএস লেয়ার ফর্ম্যাটে রূপান্তর করা যেতে পারে, যা অনুক্রমের জন্য বা আরও প্রশিক্ষণের জন্য সরাসরি টেনসরফ্লো.জেএস এ লোড করা যায়।

model.json ফর্ম্যাটটি এমন একটি ডিরেক্টরি যা একটি model.json ফাইল এবং বাইনারি ফর্ম্যাটে শার্পড ওজন ফাইলগুলির একটি সেট রয়েছে। model.json ফাইলের মধ্যে মডেল টোপোলজি (ওরফে "আর্কিটেকচার" বা "গ্রাফ" উভয় রয়েছে: স্তরগুলির বিবরণ এবং তারা কীভাবে সংযুক্ত রয়েছে) এবং ওজন ফাইলের একটি প্রকাশ।

প্রয়োজনীয়তা

রূপান্তর পদ্ধতির জন্য পাইথন পরিবেশ প্রয়োজন; আপনি ব্যবহার একটি বিচ্ছিন্ন এক রাখতে চান হতে পারে pipenv বা virtualenv । রূপান্তরকারী ইনস্টল করতে, pip install tensorflowjs ব্যবহার করুন।

টেনসরফ্লো.জেজে কেরাস মডেল আমদানি করা একটি দ্বি-পদক্ষেপ প্রক্রিয়া। প্রথমে একটি বিদ্যমান কেরাস মডেলকে টিএফ.জেএস স্তর স্তর বিন্যাসে রূপান্তর করুন এবং তারপরে এটি টেনসরফ্লো.জেজে লোড করুন।

পদক্ষেপ 1. বিদ্যমান কেরাস মডেলকে TF.js স্তর বিন্যাসে রূপান্তর করুন

কেরাস মডেলগুলি সাধারণত model.save(filepath) মাধ্যমে সংরক্ষণ করা হয়, যা মডেল টপোলজি এবং ওজন উভয় সমন্বিত একটি একক এইচডিএফ 5 (.h5) ফাইল তৈরি করে। এই জাতীয় কোনও ফাইলকে টিএফ.জেএস স্তর বিন্যাসে রূপান্তর করতে, নিম্নলিখিত কমান্ডটি চালান, যেখানে path/to/my_model.h5 হ'ল উত্স কেরাস .h5 ফাইল এবং path/to/tfjs_target_dir হ'ল TF.js ফাইলগুলির টার্গেট আউটপুট ডিরেক্টরি:

# bash

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

বিকল্প: সরাসরি টিএফ.জেএস স্তর স্তর বিন্যাসে রফতানি করতে পাইথন এপিআই ব্যবহার করুন

পাইথনে যদি আপনার কেরাস মডেল থাকে তবে আপনি এটি সরাসরি টেনসরফ্লো.জেএস স্তর স্তর বিন্যাসে রফতানি করতে পারেন:

# 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)

পদক্ষেপ 2: মডেলটি টেনসরফ্লো.জেজে লোড করুন

ধাপে আপনার উত্পন্ন রূপান্তরিত মডেল ফাইলগুলি পরিবেশন করতে একটি ওয়েব সার্ভার ব্যবহার করুন Note নোট করুন যে জাভাস্ক্রিপ্টে ফাইলগুলি আনতে আপনার ক্রস-অরিজিন রিসোর্স ভাগ করে নেওয়ার (সিওআরএস) অনুমতি দেওয়ার জন্য আপনার সার্ভারটি কনফিগার করতে হবে।

তারপরে মডেল.জসন ফাইলে URL সরবরাহ করে মডেলটিকে টেনসরফ্লো.জেজে লোড করুন:

// JavaScript

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

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

এখন মডেল অনুমান, মূল্যায়ন বা পুনরায় প্রশিক্ষণের জন্য প্রস্তুত। উদাহরণস্বরূপ, লোড হওয়া মডেলটি তাত্ক্ষণিক পূর্বাভাস দেওয়ার জন্য ব্যবহার করা যেতে পারে:

// JavaScript

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

টেনসরফ্লো.জেএস এর অনেকগুলি উদাহরণ প্রাক- প্রশিক্ষিত মডেলগুলি ব্যবহার করে যা গুগল ক্লাউড স্টোরেজে রূপান্তরিত এবং হোস্ট করা হয়েছে using

নোট করুন যে আপনি model.json ফাইলের নাম ব্যবহার করে পুরো মডেলটি উল্লেখ করেছেন। loadModel(...) model.json এবং তারপরে model.json ওজন ম্যানিফেস্টে রেফারেন্সযুক্ত শারড ওয়েট ফাইলগুলি প্রাপ্ত করার জন্য অতিরিক্ত HTTP (এস) অনুরোধ করে। এই পদ্ধতির সাহায্যে এই সমস্ত ফাইল ব্রাউজার (এবং সম্ভবত ইন্টারনেটে অতিরিক্ত ক্যাশিং সার্ভার দ্বারা) ক্যাশে করার অনুমতি দেয় কারণ model.json এবং ওজন model.json প্রতিটি সাধারণ ক্যাশে ফাইলের আকারের সীমা চেয়ে ছোট smaller সুতরাং কোনও মডেল পরবর্তী সময়ে আরও দ্রুত লোড হতে পারে।

সমর্থিত বৈশিষ্ট্য

টেনসরফ্লো.জেএস লেয়ারগুলি বর্তমানে কেবল কেরাস মডেলকে স্ট্যান্ডার্ড কেরাস কনস্ট্রাক্টস ব্যবহার করে সমর্থন করে। অসমর্থিত অপস বা স্তরগুলি ব্যবহার করে এমন মডেলগুলি custom যেমন কাস্টম স্তর, ল্যাম্বদা স্তরগুলি, কাস্টম লস বা কাস্টম মেট্রিকস - স্বয়ংক্রিয়ভাবে আমদানি করা যায় না, কারণ তারা পাইথন কোডের উপর নির্ভর করে যা জাভাস্ক্রিপ্টে নির্ভরযোগ্যভাবে অনুবাদ করা যায় না।