|
在成功调用官网打包好的tensorflowjs模型后，怎么调用自己的模型呢？又需要做哪些处理呢？ 1)安装好python和tensorflow 2)安装tensorflowjs : pip install tensorflowjs 注：如果你的tensorflow版本是2.0的，在下载tfjs时可能会被更新为1.15版本的。可以考虑新建个python环境。 3)准备已经训练好的模型，并通过 model.save(“模型命名.h5”) 代码将模型保存为h5格式的文件。 下面是本文使用的mnist手写数字集的模型代码案例: import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test) model.save('D:\\test/mnist.h5') |
4)通过tensorflowjs_converter命令将h5格式的模型文件转换为json格式的文件。 1.打开pycharm的Terminal指令框
2. 输入转换指令： tensorflowjs_converter--input_format=keras D:\\test/mnist.h5 D:\\test 注释：tensorflowjs_converter –模型格式 模型地址 保存地址 3.查看model.json是否生成 5)将模型放在服务器上，如果没有可以在本地创建，步骤如下 : 
1.打开pycharm的Terminal的指令框 2.输入python3 -m http.server 8000 3.打开浏览器输入 localhost:8000 输出如下界面 如果出现localhost拒绝访问,可能是你的系统没开启iis服务，只能手动开启了。 
未开启的建议依次按以下步骤来： 1 .百度：如何安装iss服务 2 .打开管理工具 
3.进入管理工具界面，单击“Internet Information Services (IIS)管理器”。 4.右键单击“网站”，选择“添加网站”。 
5.在弹出的界面中输入网站名称、选择物理路径(model.json所在的文件地址)、IP地址输入为127.0.0.1、端口为8000，然后点击确定。 6.打开目录展示功能：目录浏览—打开功能—启用 
6) 在项目中安装相应的库 详细过程请参考之前发布的博客《微信小程序与tensorflow.js准备工作》在项目目录下使用npm安装对应包，安装代码如下： npm install fetch-wechat npm install @tensorflow/tfjs-converter npm install @tensorflow/tfjs-core npm install @tensorflow/tfjs-layers npm install regenerator-runtime |
7) 效果 
8) 代码部分 代码较为简单，说明以注释方式放在代码旁边（只展示主体代码部分，完成项目代码下载链接： https://pan.baidu.com/s/18VcMiNaiEjC_Y_Yz1gJ_1g） const regeneratorRuntime = require('regenerator-runtime') const tf = require('@tensorflow/tfjs-core') const tfl = require('@tensorflow/tfjs-layers') //index.js Page({ async onReady() { //加载相机 const camera = wx.createCameraContext(this) // 加载模型 const net = await this.loadModel() this.setData({result: 'Loading'}) let count = 0 //每隔10帧获取一张相机捕捉到的图片 const listener = camera.onCameraFrame((frame) => { count++ if (count === 10) { if (net) { //对图片内容进行预测 this.predict(net, frame) } count = 0 } }) listener.start() }, //加载模型 async loadModel() { const net = await tfl.loadLayersModel('https:///model.json') net.summary() return net }, async predict(net, frame){ //图像预处理，API说明和用发可到tensorflow.google.cn查看 const imgData = {data: new Uint8Array(frame.data), width: frame.width, height: frame.height} const x = tf.tidy(() => { const imgTensor = tf.browser.fromPixels(imgData, 4) //转换为Tensor,微信小程序相机获取的图片有4维 const d = Math.floor((frame.height - frame.width) / 2) const imgSlice = imgTensor.slice([d, 0, 0], [frame.width, -1, 3]) //截取正方形区域，并丢掉最后一个维度，只保留3个维度 const imgResize = tf.image.resizeBilinear(imgSlice, [28, 28]) return imgResize.mean(2)//对最后一个维度去均值，将三通道转换为单通道 }) // console.log(x) const y = await net.predict(x.expandDims(0)).argMax(1) //预测，并获取预测值最大的下标，及预测结果 const res = y.dataSync()[0]//预测结果为一个对象，我们只需要值部分 this.setData({result: res}) } }) |
主 编 | 王文星 责 编 | 马原涛
|
