In che modo il modello addestrato viene convertito in un formato compatibile con TensorFlow.js e quale comando viene utilizzato per questa conversione?

/ / Pubblicato in Intelligenza Artificiale, Apprendimento approfondito EITC/AI/DLTF con TensorFlow, Apprendimento approfondito nel browser con TensorFlow.js, Modello di addestramento in Python e caricamento in TensorFlow.js, Revisione d'esame

Per convertire un modello addestrato in un formato compatibile con TensorFlow.js, è necessario seguire una serie di passaggi che comportano l'esportazione del modello dal suo ambiente originale, tipicamente Python, e quindi la trasformazione in un formato che possa essere caricato ed eseguito all'interno di un web browser utilizzando TensorFlow.js. Questo processo è essenziale per l'implementazione di modelli di deep learning nelle applicazioni web, consentendo l'esecuzione di sofisticate attività di machine learning direttamente all'interno dell'ambiente lato client.

Processo passo passo per la conversione

1. Addestra il tuo modello in Python

Il primo passaggio prevede l'addestramento del modello utilizzando TensorFlow o Keras in Python. Questa è una procedura standard in cui definisci l'architettura del modello, la compili e la adatti ai tuoi dati di addestramento. Ecco un semplice esempio utilizzando Keras:

{{EJS8}}
2. Salvare il modello nel formato TensorFlow SavedModel

Una volta addestrato il modello, è necessario salvarlo nel formato TensorFlow SavedModel. Questo formato è un formato di serializzazione universale per i modelli TensorFlow, che include il programma o modello TensorFlow completo e un insieme di firme denominate che identificano una funzione che accetta input tensore e produce output tensore.


{{EJS9}}
3. Installa il convertitore TensorFlow.js

Per convertire SavedModel in un formato compatibile con TensorFlow.js, è necessario installare il convertitore TensorFlow.js. Questo può essere fatto usando pip:


{{EJS10}}
4. Converti SavedModel nel formato TensorFlow.js

Con il convertitore TensorFlow.js installato, ora puoi convertire SavedModel. Questo viene fatto utilizzando lo strumento da riga di comando `tensorflowjs_converter`. Il comando richiede di specificare il percorso di input di SavedModel e la directory di output in cui verranno salvati i file TensorFlow.js.


sh
tensorflowjs_converter --input_format=tf_saved_model --output_node_names='Softmax' --saved_model_tags=serve path/to/saved_model path/to/tfjs_model

In questo comando:
 - `--input_format=tf_saved_model` specifica che il formato di input è un TensorFlow SavedModel.
 - `--output_node_names` specifica i nomi dei nodi di output nel grafico. Questo è facoltativo se il convertitore può dedurre i nodi di output.
 - `--saved_model_tags` specifica i tag utilizzati per recuperare MetaGraphDef da SavedModel. Il valore predefinito è `serve`.
 - `path/to/saved_model` è la directory del SavedModel.
 - `path/to/tfjs_model` è la directory in cui verrà salvato il modello convertito.
5. Carica e utilizza il modello in TensorFlow.js
Dopo la conversione, il modello TensorFlow.js può essere caricato e utilizzato in un'applicazione web. Il modello convertito è costituito da un file JSON che contiene l'architettura del modello e i file di peso binario. Ecco un esempio di come caricare e utilizzare il modello in un'applicazione JavaScript:
{{EJS12}}
Spiegazione dettagliata di ogni passaggio


Formazione del modello

L'addestramento di un modello implica la definizione dell'architettura del modello, la sua compilazione con una funzione di perdita e un ottimizzatore, quindi l'adattamento ai dati di addestramento. L'esempio fornito utilizza una semplice rete neurale feedforward con uno strato di input di 784 unità (per dati MNIST), uno strato nascosto di 128 unità e uno strato di output di 10 unità che rappresentano le 10 classi. Il modello è compilato con l'ottimizzatore Adam e una perdita di entropia incrociata categoriale sparsa.

Salvataggio del modello

La funzione `model.save('path/to/saved_model')` salva l'intero modello nel formato TensorFlow SavedModel. Questo formato include l'architettura, i pesi e la configurazione del training del modello (ottimizzatore, perdita e metriche).

Installazione del convertitore TensorFlow.js

Il convertitore TensorFlow.js è uno strumento da riga di comando che converte i modelli TensorFlow nel formato TensorFlow.js. L'installazione tramite pip garantisce di disporre degli strumenti necessari per eseguire la conversione.

Conversione del modello

Il comando `tensorflowjs_converter` viene utilizzato per convertire SavedModel nel formato TensorFlow.js. Il comando accetta diversi argomenti per specificare il formato di input, i nomi dei nodi di output e i percorsi per le directory di input e output. La directory di output conterrà un file JSON e file di peso binari.

Caricamento e utilizzo del modello in TensorFlow.js

In un'applicazione web, il modello convertito viene caricato utilizzando la funzione `tf.loadLayersModel`, che restituisce una promessa che si risolve nel modello. Una volta caricato, il modello può essere utilizzato per l'inferenza passando i dati di input come tensori alla funzione "model.predict".

Esempio di un processo di conversione completo


Considera uno scenario in cui hai addestrato una rete neurale convoluzionale (CNN) in Python per la classificazione delle immagini. Ecco un esempio completo, inclusi training, salvataggio, conversione e caricamento del modello:

Addestrare la CNN in Python


{{EJS13}}
Conversione del modello nel formato TensorFlow.js


{{EJS14}}
Caricamento e utilizzo del modello in un'applicazione Web


html
<!DOCTYPE html>
<html>
<head>
  <title>TensorFlow.js CNN Model</title>
  <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>
</head>
<body>
  <script>
    async function loadModel() {
      const model = await tf.loadLayersModel('cnn_tfjs_model/model.json');
      console.log('Model loaded successfully');

      // Example input data (28x28 grayscale image)
      const input = tf.tensor4d([/* input data */], [1, 28, 28, 1]);
      const prediction = model.predict(input);
      prediction.print();
    }

    loadModel();
  </script>
</body>
</html>

Questo esempio dimostra l'intero flusso di lavoro, dall'addestramento di un modello CNN in Python alla sua distribuzione in un'applicazione Web utilizzando TensorFlow.js. I passaggi chiave includono il salvataggio del modello nel formato TensorFlow SavedModel, la conversione nel formato TensorFlow.js, quindi il caricamento e l'utilizzo in un'applicazione web.
Altre domande e risposte recenti riguardanti Apprendimento approfondito nel browser con TensorFlow.js:
Visualizza altre domande e risposte in Deep learning nel browser con TensorFlow.js
Altre domande e risposte:
Etichettato sotto: , , , , ,