Импортируйте модель TensorFlow в TensorFlow.js.

Модели на основе TensorFlow GraphDef (обычно создаваемые с помощью API Python) можно сохранить в одном из следующих форматов:

  1. Сохраненная модель TensorFlow
  2. Замороженная модель
  3. Модуль Tensorflow Hub

Все вышеперечисленные форматы можно преобразовать с помощью конвертера TensorFlow.js в формат, который можно загрузить непосредственно в TensorFlow.js для вывода.

(Примечание. В TensorFlow формат пакета сеансов устарел. Перенесите свои модели в формат SavedModel.)

Требования

Для процедуры преобразования требуется среда Python; возможно, вы захотите сохранить его изолированным, используя Pipenv или Virtualenv .

Чтобы установить конвертер, выполните следующую команду:

 pip install tensorflowjs

Импорт модели TensorFlow в TensorFlow.js представляет собой двухэтапный процесс. Сначала преобразуйте существующую модель в веб-формат TensorFlow.js, а затем загрузите ее в TensorFlow.js.

Шаг 1. Преобразование существующей модели TensorFlow в веб-формат TensorFlow.js.

Запустите скрипт конвертера, предоставленный пакетом pip:

Пример сохраненной модели:

tensorflowjs_converter \
    --input_format=tf_saved_model \
    --output_node_names='MobilenetV1/Predictions/Reshape_1' \
    --saved_model_tags=serve \
    /mobilenet/saved_model \
    /mobilenet/web_model

Пример замороженной модели:

tensorflowjs_converter \
    --input_format=tf_frozen_model \
    --output_node_names='MobilenetV1/Predictions/Reshape_1' \
    /mobilenet/frozen_model.pb \
    /mobilenet/web_model

Пример модуля Tensorflow Hub:

tensorflowjs_converter \
    --input_format=tf_hub \
    'https://tfhub.dev/google/imagenet/mobilenet_v1_100_224/classification/1' \
    /mobilenet/web_model
Позиционные аргументы Описание
input_path Полный путь к каталогу сохраненной модели, каталогу пакета сеанса, файлу замороженной модели или дескриптору или пути модуля TensorFlow Hub.
output_path Путь ко всем выходным артефактам.
Параметры Описание
--input_format Формат входной модели. Используйте tf_saved_model для SavedModel, tf_frozen_model для замороженной модели, tf_session_bundle для пакета сеанса, tf_hub для модуля TensorFlow Hub и keras для Keras HDF5.
--output_node_names Имена выходных узлов, разделенные запятыми.
--saved_model_tags Применимо только к преобразованию SavedModel. Теги MetaGraphDef для загрузки в формате, разделенном запятыми. По умолчанию для serve .
--signature_name Применимо только к преобразованию модуля TensorFlow Hub, подписи для загрузки. По умолчанию по default . См. https://www.tensorflow.org/hub/common_signatures/ .

Используйте следующую команду, чтобы получить подробное справочное сообщение:

tensorflowjs_converter --help

Файлы, созданные конвертером

Приведенный выше сценарий преобразования создает файлы двух типов:

  • model.json : график потока данных и манифест веса.
  • group1-shard\*of\* : Коллекция файлов двоичных весов.

Например, вот результат преобразования MobileNet v2:

  output_directory/model.json
  output_directory/group1-shard1of5
  ...
  output_directory/group1-shard5of5

Шаг 2. Загрузка и запуск в браузере.

  1. Установите npm-пакет tfjs-converter:

yarn add @tensorflow/tfjs или npm install @tensorflow/tfjs

  1. Создайте экземпляр класса FrozenModel и запустите вывод. 
import * as tf from '@tensorflow/tfjs';
import {loadGraphModel} from '@tensorflow/tfjs-converter';

const MODEL_URL = 'model_directory/model.json';

const model = await loadGraphModel(MODEL_URL);
const cat = document.getElementById('cat');
model.execute(tf.browser.fromPixels(cat));

Посмотрите демо-версию MobileNet .

API loadGraphModel принимает дополнительный параметр LoadOptions , который можно использовать для отправки учетных данных или пользовательских заголовков вместе с запросом. Подробности смотрите в документации loadGraphModel() .

Поддерживаемые операции

В настоящее время TensorFlow.js поддерживает ограниченный набор операций TensorFlow. Если ваша модель использует неподдерживаемую операцию, сценарий tensorflowjs_converter завершится ошибкой и распечатает список неподдерживаемых операций в вашей модели. Пожалуйста, сообщите о проблеме для каждой операции, чтобы сообщить нам, для каких операций вам нужна поддержка.

Загрузка только гирь

Если вы предпочитаете загружать только веса, вы можете использовать следующий фрагмент кода:

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

const weightManifestUrl = "https://example.org/model/weights_manifest.json";

const manifest = await fetch(weightManifestUrl);
this.weightManifest = await manifest.json();
const weightMap = await tf.io.loadWeights(
        this.weightManifest, "https://example.org/model");
// Use `weightMap` ...