【6】TensorFlow光速入門-python模型轉換為tfjs模型並使用

本文轉載自查看原文 2020-10-27 14:28 1295 python

本文地址：https://www.cnblogs.com/tujia/p/13862365.html

系列文章：

【0】TensorFlow光速入門-序

【1】TensorFlow光速入門-tensorflow開發基本流程

【2】TensorFlow光速入門-數據預處理（得到數據集）

【3】TensorFlow光速入門-訓練及評估

【4】TensorFlow光速入門-保存模型及加載模型並使用

【5】TensorFlow光速入門-圖片分類完整代碼

【6】TensorFlow光速入門-python模型轉換為tfjs模型並使用

【7】TensorFlow光速入門-總結

一、模型轉換

python模型轉換tfjs模型，需要用到先安裝 tensorflowjs_converter 工具

 pip install tensorflowjs

安裝成功后，可以用python腳本或shell命令轉換，下面是shell的例子：

tensorflowjs_converter /tf/saved_model/wnw /tf/saved_model_js/wnw

注：記得提前創建好 saved_model_js 目錄。轉換成功成，會得到 model.json 及 n個 .bin 文件，例如：group1-shard1of2.bin、group1-shard2of2.bin等等

轉換命令的詳細參數，請看：

tensorflowjs_converter --help

二、在瀏覽器中使用

先准備好模型文件及dict.txt 文件（注：dict.txt 需要自己創建，內容為圖片分類，一行一個分類）

基礎html元素

<input type="file" class="custom-file-input" id="file" accept="image/*" capture="camera">

<input class="form-control" id="result" readonly="readonly">

<img src="" id="pic">

引入tfjs

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.6.0/dist/tf.min.js"></script>

加載模型

const MODEL_URL = '/static/models/wnw/model.json';

let model = null;
tf.loadGraphModel(MODEL_URL).then((value)=>{
    model = value;
}, (error)=>{
    console.log(error);
});

偵聽選擇圖片及圖片預覽

let image = document.getElementById('pic');

// 圖片預覽
document.getElementById('file').addEventListener('change', (ev)=>{
    let reader = new FileReader();
    reader.addEventListener('load', (e)=>{
        image.src = e.target.result;
    });
    reader.readAsDataURL(ev.target.files[0]);
});

圖片數據轉換及預測

// 圖片分類
const CLASSIFY = ['非表', '表'];

// 圖片處理及評估
image.addEventListener('load', ()=>{
    // 圖片轉換成灰度張量數據
    let image_tensor = tf.browser.fromPixels(image, 1);
    // 三維張量轉四維張量
    image_tensor = tf.expandDims(image_tensor);
    image_tensor = tf.cast(image_tensor, 'float32');
    // console.log(image_tensor.shape);
    // 圖片縮放，轉換為模型需要的大小
    image_tensor = tf.image.resizeBilinear(image_tensor, [100, 100]);
    // console.log(image_tensor.shape);
    let predictions = model.predict(image_tensor);
    let label = tf.argMax(predictions, 1).dataSync()[0];
    result.value = CLASSIFY[label];
});