将 Keras 模型导入 TensorFlow.js

Posted 2021-04-24 黑胡桃实验室

Keras 模型（通常通过 Python API 创建）可以以多种格式保存。“整个模型”格式可以转换为可以直接加载到 TensorFlow.js 进行推理或进一步训练的 TensorFlow.js Layers 格式。

TensorFlow.js Layers 格式是一个包含 model.json 文件和一组二进制格式的权重分片文件的格式。model.json 文件包含模型拓扑（又名“architecture（架构）”或“graph（图）”：是对层及其连接方式的描述）和权重文件的清单。

1要求

转换过程需要 Python 环境；您可能需要 pipenv 或者 virtualenv 来保持一个独立的环境，要安装转换器，请运行以下命令：

     
       
       
     

      
        
        
      
pip install tensorflowjs
     
       
       
     

将 Keras 模型导入 TensorFlow.js 分为两步。首先，将现有的 Keras 模型转换为 TensorFlow.js Layers 格式，然后将其加载到 TensorFlow.js 中。

2步骤 1：将现有的 Keras 模型转换为 TensorFlow.js Layers 格式

Keras 模型通常通过 model.save(filepath) 保存，生成一个包含模型拓扑和权重的 HDF5（.h5）文件。要将此类文件转换为 TensorFlow.js Layers 格式，请运行以下命令，其中 path/to/my_model.h5 是 Keras.h5 文件的路径，path/to/tfjs_target_dir 是 tf.js 文件的目标输出路径：

     
       
       
     

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

3其他方法：使用 Python API 直接导出为 TensorFlow.js Layers 格式

如果您在 Python 中使用 Keras 模型，则可以将其直接导出为 TensorFlow.js Layers 格式，如下所示：

     
       
       
     

      
        
        
      
# Python
      
        
        
      
import tensorflowjs as tfjs
      
        
        
      
def train(...):
      
        
        
      
    model = keras.models.Sequential()   # 举例
      
        
        
      
    ...
      
        
        
      
    model.compile(...)
      
        
        
      
    model.fit(...)
      
        
        
      
    tfjs.converters.save_keras_model(model, tfjs_target_dir)
     
       
       
     

4步骤 2：将模型加载到 TensorFlow.js 中

使用 Web 服务器为在步骤 1 中生成的模型转换文件提供服务。请注意，为了允许在 javascript 中获取文件，您可能需要将服务器设置为 allow Cross-Origin Resource Sharing（CORS，允许跨源资源共享）。

然后利用 model.json 文件的 URL 将 model.json 文件中的模型加载到 TensorFlow.js 中：

     
       
       
     

      
        
        
      
// JavaScript
      
        
        
      
import * as tf from '@tensorflow/tfjs';
      
        
        
      
const model = await tf.loadModel('https://foo.bar/tfjs_artifacts/model.json');
     
       
       
     

现在，该模型已准备好进行推理、评估或重训练。例如，加载的模型可以立即用于预测：

     
       
       
     

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

许多 TensorFlow.js 示例 都采用此方法，使用已转换并托管在 Google Cloud 上的预训练模型。

请注意，您使用 model.json 文件名引用整个模型。 loadModel(...) 获取 model.json，然后发出额外的 HTTP(S)请求，以获取 model.json 中的权重清单引用的权重分片文件。因为 model.json 和权重分片都小于典型的缓存文件大小限制，所以这种方法允许浏览器缓存所有这些文件（可能还有互联网上的其他缓存服务器）。因此，模型在随后的情况下可能加载得更快。

5支持的功能

TensorFlow.js Layers 目前仅支持使用标准 Keras 构造的 Keras 模型。使用不受支持的 Ops（操作）或层（例如自定义层、lambda 层、自定义损失或自定义度量）的模型则不能自动导入，因为它们依赖于 Python 代码，无法可靠地转换为 JavaScript。

✄----------------------------------

本文是黑胡桃实验室与 Googler、GDE 协作翻译的 TensorFlow.js 中文尝鲜版，英文版首发于 https://js.tensorflow.org/

探索AI

触摸科技

黑胡桃实验室

杭州·赛银国际广场4幢1楼

BlackWalnut Labs.