การนำเข้าโมเดลที่ใช้ TensorFlow GraphDef ไปยัง TensorFlow.js

โมเดลที่ใช้ TensorFlow GraphDef (โดยทั่วไปจะสร้างผ่าน Python API) อาจถูกบันทึกในรูปแบบใดรูปแบบหนึ่งต่อไปนี้:

1. TensorFlow ที่บันทึกไว้รุ่น
2. โมเดลแช่แข็ง
3. โมดูล Tensorflow Hub

รูปแบบทั้งหมดข้างต้นสามารถแปลงโดยตัว แปลง TensorFlow.js ให้อยู่ในรูปแบบที่สามารถโหลดลงใน TensorFlow.js ได้โดยตรงเพื่อการอนุมาน

(หมายเหตุ: TensorFlow เลิกใช้รูปแบบบันเดิลเซสชันแล้ว โปรดย้ายโมเดลของคุณไปยังรูปแบบ SavedModel)

ความต้องการ

ขั้นตอนการแปลงต้องใช้สภาพแวดล้อม Python คุณอาจต้องการเก็บแยกไว้โดยใช้ pipenv หรือ virtualenv ในการติดตั้งตัวแปลง ให้รันคำสั่งต่อไปนี้:

 pip install tensorflowjs

การนำเข้าโมเดล TensorFlow ลงใน TensorFlow.js เป็นกระบวนการสองขั้นตอน ขั้นแรก แปลงโมเดลที่มีอยู่เป็นรูปแบบเว็บ TensorFlow.js แล้วโหลดลงใน TensorFlow.js

ขั้นตอนที่ 1 แปลงโมเดล TensorFlow ที่มีอยู่เป็นรูปแบบเว็บ TensorFlow.js

รันสคริปต์ตัวแปลงที่จัดเตรียมโดยแพ็คเกจ pip:

การใช้งาน: SavedModel ตัวอย่าง:

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

ตัวอย่างโมเดลแช่แข็ง:

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

ตัวอย่างโมดูล Tensorflow Hub:

tensorflowjs_converter \
    --input_format=tf_hub \
    'https://tfhub.dev/google/imagenet/mobilenet_v1_100_224/classification/1' \
    /mobilenet/web_model

ใช้คำสั่งต่อไปนี้เพื่อรับข้อความช่วยเหลือโดยละเอียด:

tensorflowjs_converter --help

แปลงไฟล์ที่สร้าง

สคริปต์การแปลงด้านบนสร้างไฟล์สองประเภท:

• model.json (กราฟกระแสข้อมูลและรายการน้ำหนัก)
• group1-shard\*of\* (การรวบรวมไฟล์น้ำหนักไบนารี)

ตัวอย่างเช่น นี่คือผลลัพธ์จากการแปลง MobileNet v2:

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

ขั้นตอนที่ 2: การโหลดและเรียกใช้ในเบราว์เซอร์

1. ติดตั้งแพ็คเกจ tfjs-converter npm

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

1. สร้าง อินสแตนซ์คลาส FrozenModel และรันการอนุมาน

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));

ตรวจสอบ การสาธิต MobileNet ของเรา

loadGraphModel API ยอมรับพารามิเตอร์ LoadOptions เพิ่มเติม ซึ่งสามารถใช้เพื่อส่งข้อมูลรับรองหรือส่วนหัวที่กำหนดเองพร้อมกับคำขอ โปรดดู เอกสาร loadGraphModel() สำหรับรายละเอียดเพิ่มเติม

การดำเนินงานที่รองรับ

ปัจจุบัน TensorFlow.js รองรับชุดปฏิบัติการ TensorFlow ที่จำกัด หากโมเดลของคุณใช้ op ที่ไม่ได้รับการสนับสนุน สคริปต์ tensorflowjs_converter จะล้มเหลวและพิมพ์รายการของ ops ที่ไม่สนับสนุนในโมเดลของคุณ โปรด แจ้งปัญหา สำหรับแต่ละ op เพื่อแจ้งให้เราทราบว่าคุณต้องการความช่วยเหลือใด

โหลดเฉพาะตุ้มน้ำหนัก

หากคุณต้องการโหลดเฉพาะตุ้มน้ำหนัก คุณสามารถใช้ข้อมูลโค้ดต่อไปนี้

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");