模型预处理 - TensorFlow.js

使用 TensorSpace 和 TensorSpace-Converter 可视化 TensorFlow.js 模型

简介

本教程展示如何使用 TensorSpace 和 TensorSpace-Converter 可视化 TensorFlow.js 模型。在接下来的教程中，可视化一个使用 MNIST 数据集和 LeNet 神经网络结构构建的 TensorFlow.js 模型。

若果您并没有任何可以直接使用的 tfjs 模型，可以使用这个脚本训练一个新的样例模型。当然，我们也提供了一个训练好的 LeNet 模型，在可以直接从这里获得。

文件

以下为本篇教程所使用的代码及模型文件:

TensorFlow.js 模型 (mnist.json 和 mnist.weight.bin）

TensorSpace-Converter 预处理脚本

TensorSpace 可视化代码

预处理

首先我们将会使用 TensorSpace-Converter 对一个 TensorFlow.js 模型进行预处理:

$ tensorspace_converter \
--input_model_from="tfjs" \
--output_layer_names="myPadding,myConv1,myMaxPooling1,myConv2,myMaxPooling2,myDense1,myDense2,myDense3" \
./rawModel/mnist.json \
./convertedModel/

注意:

将 input_model_from 设置成 tfjs。
当使用 TensorFlow.js 训练并保存一个模型后，会得到一个模型结构文件 xxx.json 和一些权重文件 xxx.weight.bin。将模型结构文件（xxx.json）和权重文件（xxx.weight.bin）放在同一个目录下，然后将模型结构文件的路径设置为 input_path。
取出 TensorFlow.js 模型的 Layer 名称 , 然后设置到 output_layer_names 中，如图1 所示。
以上 TensorSpace-Converter 预处理脚本将会在 convertedModel 文件夹中生成经过预处理的模型。在本教程中，我们已经生成了经过预处理的模型，模型文件可以在这个文件夹中找到。

图1 - 将模型 Layer 名取出并设置 output_layer_names

经过转化后，我们将会得到经过预处理的模型：

图2 - 经过预处理的 TensorFlow.js 模型

注意:

我们将会得到2种不同类型的文件：
- .json 包含神经网络结构。
- .bin 包含所训练得到的权重。

载入并可视化

通过 TensorSpace API 构建 TensorSpace 可视化模型。

let model = new TSP.models.Sequential( modelContainer );

model.add( new TSP.layers.GreyscaleInput() );
model.add( new TSP.layers.Padding2d() );
model.add( new TSP.layers.Conv2d() );
model.add( new TSP.layers.Pooling2d() );
model.add( new TSP.layers.Conv2d() );
model.add( new TSP.layers.Pooling2d() );
model.add( new TSP.layers.Dense() );
model.add( new TSP.layers.Dense() );
model.add( new TSP.layers.Output1d( {
    outputs: [ "0", "1", "2", "3", "4", "5", "6", "7", "8", "9" ]
} ) );

载入经过 TensorSpace-Converter 预处理的模型，然后将模型进行初始化：

model.load( {
    type: "tfjs",
    url: "./convertedModel/model.json"
} );

model.init();

结果显示

若至此一切顺利，在浏览器中打开 index.html ，将会看到以下模型：

图3 - TensorSpace LeNet 预测 “5”