ยังใหม่กับแมชชีนเลิร์นนิงใช่ไหม ดูหลักสูตรวิดีโอเพื่อรับความรู้ในการทำงานจริงของ ML โดยใช้เทคโนโลยีเว็บ ดูซีรีส์

หน้านี้ได้รับการแปลโดย Cloud Translation API

นำเข้าโมเดล TensorFlow ไปยัง TensorFlow.js

โมเดลที่ใช้ TensorFlow GraphDef (โดยทั่วไปจะสร้างผ่าน Python API) สามารถบันทึกในรูปแบบใดรูปแบบหนึ่งต่อไปนี้:

รูปแบบข้างต้นทั้งหมดสามารถแปลงได้โดย ตัวแปลง TensorFlow.js ให้เป็นรูปแบบที่สามารถโหลดลงใน TensorFlow.js ได้โดยตรงเพื่อการอนุมาน

(หมายเหตุ: TensorFlow เลิกใช้รูปแบบบันเดิลเซสชันแล้ว โปรดย้ายโมเดลของคุณเป็นรูปแบบ SavedModel)

ความต้องการ

ขั้นตอนการแปลงต้องใช้สภาพแวดล้อม Python คุณอาจต้องการแยกอันหนึ่งโดยใช้ pipenv หรือ virtualenv

ในการติดตั้งตัวแปลงให้รันคำสั่งต่อไปนี้:

 pip install tensorflowjs

การนำเข้าโมเดล TensorFlow ลงใน TensorFlow.js นั้นเป็นกระบวนการที่มีสองขั้นตอน ขั้นแรก แปลงโมเดลที่มีอยู่เป็นรูปแบบเว็บ TensorFlow.js จากนั้นโหลดลงใน TensorFlow.js

ขั้นตอนที่ 1 แปลงโมเดล TensorFlow ที่มีอยู่เป็นรูปแบบเว็บ TensorFlow.js

รันสคริปต์ตัวแปลงที่จัดทำโดยแพ็คเกจ pip:

ตัวอย่างรุ่นที่บันทึกไว้:

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

ตัวอย่างโมเดล Frozen:

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

อาร์กิวเมนต์ตำแหน่ง	คำอธิบาย
`input_path`	เส้นทางแบบเต็มของไดเร็กทอรีโมเดลที่บันทึกไว้ ไดเร็กทอรีบันเดิลเซสชัน ไฟล์โมเดลที่แช่แข็ง หรือตัวจัดการหรือเส้นทางของโมดูล TensorFlow Hub
`output_path`	เส้นทางสำหรับอาร์ติแฟกต์เอาต์พุตทั้งหมด

ตัวเลือก	คำอธิบาย
`--input_format`	รูปแบบของโมเดลอินพุต ใช้ tf_saved_model สำหรับ SavedModel, tf_frozen_model สำหรับโมเดล Frozen, tf_session_bundle สำหรับบันเดิลเซสชัน, tf_hub สำหรับโมดูล TensorFlow Hub และ keras สำหรับ Keras HDF5
`--output_node_names`	ชื่อของโหนดเอาต์พุต คั่นด้วยเครื่องหมายจุลภาค
`--saved_model_tags`	ใช้ได้กับการแปลง SavedModel เท่านั้น แท็กของ MetaGraphDef ที่จะโหลด ในรูปแบบที่คั่นด้วยเครื่องหมายจุลภาค ค่าเริ่มต้นที่จะ `serve`
`--signature_name`	ใช้ได้กับการแปลงโมดูล TensorFlow Hub เท่านั้น ลายเซ็นที่จะโหลด ค่าเริ่มต้นเป็น `default` ดู https://www.tensorflow.org/hub/common_signatures/

ใช้คำสั่งต่อไปนี้เพื่อรับข้อความช่วยเหลือโดยละเอียด:

tensorflowjs_converter --help

ไฟล์ที่สร้างจากตัวแปลง

สคริปต์การแปลงด้านบนจะสร้างไฟล์สองประเภท:

model.json : กราฟกระแสข้อมูลและรายการน้ำหนัก
group1-shard\*of\* : ชุดของไฟล์น้ำหนักไบนารี

ตัวอย่างเช่น นี่คือผลลัพธ์จากการแปลง MobileNet v2:

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

ขั้นตอนที่ 2: กำลังโหลดและทำงานในเบราว์เซอร์

ติดตั้งแพ็คเกจ tfjs-converter npm:

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

สร้างอินสแตนซ์ คลาส 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));

ลองชม การสาธิต MobileNet

loadGraphModel API ยอมรับพารามิเตอร์ LoadOptions เพิ่มเติม ซึ่งสามารถใช้เพื่อส่งข้อมูลประจำตัวหรือส่วนหัวที่กำหนดเองไปพร้อมกับคำขอ สำหรับรายละเอียด โปรดดู เอกสารประกอบ loadGraphModel()

การดำเนินงานที่รองรับ

ปัจจุบัน TensorFlow.js รองรับชุดการดำเนินการ TensorFlow ที่จำกัด หากโมเดลของคุณใช้ ops ที่ไม่รองรับ สคริปต์ tensorflowjs_converter จะล้มเหลวและพิมพ์รายการ ops ที่ไม่รองรับในโมเดลของคุณ โปรดแจ้ง ปัญหา สำหรับปฏิบัติการแต่ละรายการเพื่อแจ้งให้เราทราบว่าคุณต้องการการสนับสนุนสำหรับปฏิบัติการใด

โหลดน้ำหนักเท่านั้น

หากคุณต้องการโหลดเฉพาะน้ำหนัก 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");
// Use `weightMap` ...