问题描述
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？
解决方案
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:
代码语言：javascript复制
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：
代码语言：javascript复制
npm install fetch-wechat
npm install @tensorflow/tfjs-converter
npm install @tensorflow/tfjs-core
npm install @tensorflow/tfjs-layers
npm install regenerator-runtime7) 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）
代码语言：javascript复制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://yuantao.store/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})
}
})END
主 编 | 王文星
责 编 | 马原涛
where2go 团队
