Vậy là bạn đã thực hiện những bước đầu tiên với TensorFlow. js, đã thử các mô hình tạo sẵn của chúng tôi hoặc thậm chí có thể tạo mô hình của riêng bạn - nhưng bạn đã thấy một số nghiên cứu tiên tiến xuất hiện trong Python và bạn tò mò muốn xem liệu nó có chạy trong trình duyệt web để thực hiện ý tưởng tuyệt vời mà bạn đã trở thành hay không . Nghe có vẻ quen?
TenorFlow. js đã tạo một công cụ thuận tiện để chuyển đổi các mô hình ở định dạng SavingModel sang TensorFlow. js thông qua trình chuyển đổi dòng lệnh để bạn có thể tận hưởng việc sử dụng các mô hình như vậy với phạm vi tiếp cận và quy mô của web
Bạn sẽ học được gì
Trong phòng thực hành mã này, bạn sẽ học cách sử dụng TensorFlow. trình chuyển đổi dòng lệnh js để chuyển một SavingModel được tạo bởi Python sang mô hình. json cần thiết để thực thi ở phía máy khách trong trình duyệt web
Đặc biệt
- Cách tạo một mô hình Python ML đơn giản và lưu nó vào định dạng bắt buộc mà TensorFlow cần. trình chuyển đổi js
- Cách cài đặt và sử dụng TensorFlow. js trên SavingModel mà bạn đã xuất từ Python
- Lấy các tệp kết quả từ chuyển đổi và sử dụng trong ứng dụng web JS của bạn
- Hiểu những việc cần làm khi xảy ra sự cố [không phải tất cả các kiểu máy sẽ chuyển đổi] và những tùy chọn bạn có
Hãy tưởng tượng bạn có thể thực hiện một số nghiên cứu mới được phát hành và cung cấp mô hình đó cho hàng triệu nhà phát triển JS trên toàn cầu. Hoặc có thể bạn sẽ tự sử dụng điều này trong sáng tạo của riêng mình, điều mà bất kỳ ai trên thế giới sau đó cũng có thể trải nghiệm nếu nó chạy trong trình duyệt web, vì không yêu cầu thiết lập môi trường hoặc phụ thuộc phức tạp. Sẵn sàng để có được hack?
Xin lưu ý. Codelab này tập trung vào cách sử dụng và bắt đầu với TensorFlow. js, vì vậy bản thân hành động tạo mô hình sẽ sử dụng mã soạn sẵn để chúng tôi có thể lấy một số tệp để sử dụng trong hướng dẫn của mình. Để tìm hiểu cách tạo mô hình của riêng bạn chi tiết hơn, hãy xem phần này của chúng tôi
Chia sẻ những gì bạn chuyển đổi với chúng tôi
Bạn có thể sử dụng những gì chúng ta học hôm nay để thử và chuyển đổi một số mô hình yêu thích của bạn từ Python. Nếu bạn quản lý để làm như vậy thành công và tạo một trang web demo hoạt động của mô hình đang hoạt động, hãy gắn thẻ chúng tôi trên phương tiện truyền thông xã hội bằng cách sử dụng thẻ bắt đầu bằng #MadeWithTFJS để có cơ hội cho dự án của bạn được giới thiệu trên blog TensorFlow của chúng tôi hoặc thậm chí là các sự kiện hiển thị và kể trong tương lai. Chúng tôi rất muốn thấy nhiều nghiên cứu tuyệt vời hơn được chuyển lên web và cho phép nhiều người hơn sử dụng các mô hình đó theo những cách đổi mới hoặc sáng tạo giống như ví dụ tuyệt vời này
2. TensorFlow là gì. js?
TenorFlow. js là một thư viện máy học mã nguồn mở có thể chạy bất cứ nơi nào JavaScript có thể. Nó dựa trên thư viện TensorFlow ban đầu được viết bằng Python và nhằm mục đích tạo lại trải nghiệm của nhà phát triển này và bộ API cho hệ sinh thái JavaScript
nó có thể được sử dụng ở đâu?
Với tính di động của JavaScript, giờ đây bạn có thể viết bằng 1 ngôn ngữ và thực hiện quá trình học máy trên tất cả các nền tảng sau một cách dễ dàng
- Phía máy khách trong trình duyệt web sử dụng vanilla JavaScript
- Phía máy chủ và thậm chí cả các thiết bị IoT như Raspberry Pi sử dụng Node. js
- Ứng dụng máy tính để bàn sử dụng Electron
- Ứng dụng di động gốc sử dụng React Native
TenorFlow. js cũng hỗ trợ nhiều chương trình phụ trợ trong mỗi môi trường này [môi trường dựa trên phần cứng thực tế mà nó có thể thực thi bên trong chẳng hạn như CPU hoặc WebGL chẳng hạn. "Phần phụ trợ" trong ngữ cảnh này không có nghĩa là môi trường phía máy chủ - phần phụ trợ để thực thi có thể là phía máy khách trong WebGL chẳng hạn] để đảm bảo tính tương thích và cũng giúp mọi thứ chạy nhanh. Hiện tại TensorFlow. js hỗ trợ
- Thực thi WebGL trên cạc đồ họa [GPU] của thiết bị - đây là cách nhanh nhất để thực thi các mô hình lớn hơn [kích thước trên 3 MB] với khả năng tăng tốc GPU
- Thực thi Web Assembly [WASM] trên CPU - để cải thiện hiệu suất CPU trên các thiết bị, bao gồm cả điện thoại di động thế hệ cũ chẳng hạn. Điều này phù hợp hơn với các mô hình nhỏ hơn [kích thước nhỏ hơn 3 MB], thực sự có thể thực thi nhanh hơn trên CPU với WASM so với WebGL do chi phí tải nội dung lên bộ xử lý đồ họa
- Thực thi CPU - dự phòng nếu không có môi trường nào khác khả dụng. Đây là chậm nhất trong ba nhưng luôn ở đó cho bạn
Ghi chú. Bạn có thể chọn buộc một trong những phần phụ trợ này nếu bạn biết mình sẽ thực thi trên thiết bị nào hoặc đơn giản là bạn có thể để TensorFlow. js quyết định cho bạn nếu bạn không chỉ định điều này
Siêu năng lực phía khách hàng
Chạy TenorFlow. js trong trình duyệt web trên máy khách có thể dẫn đến một số lợi ích đáng xem xét
Riêng tư
Bạn có thể đào tạo và phân loại dữ liệu trên máy khách mà không cần gửi dữ liệu đến máy chủ web của bên thứ 3. Đôi khi, đây có thể là một yêu cầu để tuân thủ luật pháp địa phương, chẳng hạn như GDPR chẳng hạn hoặc khi xử lý bất kỳ dữ liệu nào mà người dùng có thể muốn giữ trên máy của họ và không được gửi cho bên thứ ba
Tốc độ
Vì bạn không phải gửi dữ liệu đến máy chủ từ xa, suy luận [hành động phân loại dữ liệu] có thể nhanh hơn. Thậm chí tốt hơn, bạn có quyền truy cập trực tiếp vào các cảm biến của thiết bị như máy ảnh, micrô, GPS, gia tốc kế, v.v. nếu người dùng cấp cho bạn quyền truy cập
Phạm vi tiếp cận và quy mô
Với một cú nhấp chuột, bất kỳ ai trên thế giới cũng có thể nhấp vào liên kết bạn gửi cho họ, mở trang web trong trình duyệt của họ và sử dụng những gì bạn đã tạo. Không cần thiết lập Linux phía máy chủ phức tạp với trình điều khiển CUDA và hơn thế nữa chỉ để sử dụng hệ thống máy học
Phí tổn
Không có máy chủ nghĩa là thứ duy nhất bạn cần trả tiền là CDN để lưu trữ các tệp HTML, CSS, JS và mô hình của bạn. Chi phí của một CDN rẻ hơn nhiều so với việc giữ một máy chủ [có thể có gắn card đồ họa] hoạt động 24/7
Các tính năng phía máy chủ
Tận dụng nút. js triển khai TensorFlow. js cho phép các tính năng sau
Hỗ trợ CUDA đầy đủ
Về phía máy chủ, để tăng tốc card đồ họa, bạn phải cài đặt trình điều khiển NVIDIA CUDA để TensorFlow hoạt động với card đồ họa [không giống như trong trình duyệt sử dụng WebGL - không cần cài đặt]. Tuy nhiên, với sự hỗ trợ CUDA đầy đủ, bạn hoàn toàn có thể tận dụng các khả năng cấp thấp hơn của card đồ họa, dẫn đến thời gian đào tạo và suy luận nhanh hơn. Hiệu suất ngang bằng với triển khai Python TensorFlow vì cả hai đều chia sẻ cùng một chương trình phụ trợ C++
Kích thước mô hình
Đối với các mô hình tiên tiến từ nghiên cứu, bạn có thể đang làm việc với các mô hình rất lớn, có thể có kích thước hàng gigabyte. Các mô hình này hiện không thể chạy trong trình duyệt web do giới hạn sử dụng bộ nhớ trên mỗi tab trình duyệt. Để chạy các mô hình lớn hơn này, bạn có thể sử dụng Node. js trên máy chủ của riêng bạn với các thông số kỹ thuật phần cứng mà bạn yêu cầu để chạy một mô hình như vậy một cách hiệu quả
IOT
Nút. js được hỗ trợ trên các máy tính bảng đơn phổ biến như Raspberry Pi, điều này có nghĩa là bạn có thể thực thi TensorFlow. js trên các thiết bị như vậy
Tốc độ
Nút. js được viết bằng JavaScript, điều đó có nghĩa là nó được hưởng lợi từ việc biên dịch kịp thời. Điều này có nghĩa là bạn có thể thường thấy hiệu suất tăng khi sử dụng Node. js vì nó sẽ được tối ưu hóa trong thời gian chạy, đặc biệt là đối với bất kỳ tiền xử lý nào bạn có thể đang thực hiện. Một ví dụ tuyệt vời về điều này có thể được thấy trong nghiên cứu điển hình này cho thấy Hugging Face đã sử dụng Node như thế nào. js để tăng hiệu suất gấp 2 lần cho mô hình xử lý ngôn ngữ tự nhiên của họ
Bây giờ bạn đã hiểu những điều cơ bản về TensorFlow. js, nơi nó có thể chạy và một số lợi ích, hãy bắt đầu làm những điều hữu ích với nó
3. Thiết lập hệ thống của bạn
Đối với hướng dẫn này, chúng tôi sẽ sử dụng Ubuntu - một bản phân phối Linux phổ biến được nhiều người sử dụng và có sẵn trên Google Cloud Compute Engine làm hình ảnh cơ sở nếu bạn chọn theo dõi trên máy ảo dựa trên đám mây
Tại thời điểm viết bài, chúng ta có thể chọn hình ảnh của Ubuntu 18. 04. 4 LTS khi đó là những gì chúng ta sẽ sử dụng. Tất nhiên, bạn có thể sử dụng máy của riêng mình hoặc thậm chí là một hệ điều hành khác nếu bạn chọn làm như vậy, nhưng các hướng dẫn cài đặt và phần phụ thuộc có thể khác nhau giữa các hệ thống
Cài đặt TensorFlow [phiên bản Python]
Bây giờ, vì có thể bạn đang cố gắng chuyển đổi một số mô hình dựa trên Python hiện có mà bạn đã tìm thấy/hoặc sẽ viết, nên trước khi chúng tôi có thể xuất tệp "SavedModel" từ Python, bạn sẽ cần thiết lập phiên bản Python của TensorFlow trên phiên bản của mình nếu
SSH vào máy đám mây mà bạn đã tạo ở trên, sau đó nhập thông tin sau vào cửa sổ đầu cuối
cửa sổ đầu cuối
sudo apt update
sudo apt-get install python3
Điều này sẽ đảm bảo chúng tôi đã cài đặt Python 3 trên máy. Trăn 3. 4 hoặc cao hơn phải được cài đặt để sử dụng TensorFlow
Để xác minh phiên bản chính xác đã được cài đặt, hãy nhập thông tin sau
cửa sổ đầu cuối
python3 --version
Bạn sẽ thấy một số đầu ra cho biết số phiên bản, chẳng hạn như
python3 --version
Tiếp theo, chúng tôi sẽ cài đặt PIP cho Python 3, trình quản lý gói của Python và sau đó cập nhật nó. Loại
cửa sổ đầu cuối
sudo apt install python3-pip
pip3 install --upgrade pip
Một lần nữa, chúng tôi có thể xác minh cài đặt pip3 qua
cửa sổ đầu cuối
pip3 --version
Tại thời điểm viết bài, chúng tôi thấy
python3 --version
Trước khi chúng tôi có thể cài đặt TensorFlow, nó yêu cầu gói "setuptools" của Python phải là phiên bản 41. 0. 0 hoặc cao hơn. Chạy lệnh sau để đảm bảo nó được cập nhật lên phiên bản mới nhất
cửa sổ đầu cuối
pip3 install -U setuptools
Cuối cùng, bây giờ chúng ta có thể cài đặt TensorFlow cho Python
cửa sổ đầu cuối
pip3 install tensorflow
Quá trình này có thể mất chút thời gian để hoàn thành, vì vậy vui lòng đợi cho đến khi nó thực hiện xong
Cảnh báo. Trong hướng dẫn này, chúng tôi đang cài đặt phiên bản TensorFlow chỉ dành cho CPU để thiết lập nhanh. Nếu muốn sử dụng GPU của phiên bản, bạn cần cài đặt phiên bản GPU của TensorFlow - phiên bản này có thể giúp bạn có thời gian đào tạo nhanh hơn nhiều. Tuy nhiên, phiên bản này phụ thuộc vào việc cài đặt trình điều khiển NVIDIA CUDA, điều này nằm ngoài phạm vi của phòng thí nghiệm mã này. Bạn có thể tìm thêm chi tiết về cách cài đặt phiên bản GPU của TensorFlow tại đây
Hãy kiểm tra xem TensorFlow đã được cài đặt đúng chưa. Tạo một tệp Python có tên
python3 --version
cửa sổ đầu cuối
nano test.py
Khi nano mở ra, chúng ta có thể viết một số mã Python để in phiên bản TensorFlow đã cài đặt
kiểm tra. py
import tensorflow as tf
print[tf.__version__]
Nhấn
python3 --version
python3 --version
Bây giờ chúng ta có thể chạy tệp Python này để xem phiên bản TensorFlow được in ra màn hình
cửa sổ đầu cuối
python3 test.py
Tại thời điểm viết bài, chúng tôi thấy
python3 --version
Cảnh báo. Nếu bạn thấy nhiều cảnh báo bật lên liên quan đến numpy, chỉ cần nhập thông tin sau vào terminal để nâng cấp phiên bản numpy của bạn
python3 --version
sudo apt install python3-pip
pip3 install --upgrade pip
Bạn vẫn có thể thấy một số cảnh báo liên quan đến GPU / libcudart - điều này không sao vì chúng tôi đã cài đặt phiên bản CPU của TensorFlow chứ không phải phiên bản GPU. Bạn có thể bỏ qua những
4. Tạo một mô hình Python
Bước tiếp theo của phòng thí nghiệm lập trình này sẽ hướng dẫn cách tạo một mô hình Python đơn giản để chỉ ra cách chúng ta có thể lưu mô hình được đào tạo kết quả này ở định dạng "SavedModel" để sau đó sử dụng với TensorFlow của chúng ta. trình chuyển đổi dòng lệnh js. Nguyên tắc sẽ tương tự đối với bất kỳ mô hình Python nào mà bạn đang cố gắng chuyển đổi, nhưng chúng tôi sẽ giữ mã này đơn giản để mọi người có thể hiểu
Hãy chỉnh sửa bài kiểm tra của chúng tôi. py chúng tôi đã tạo trong phần đầu tiên và cập nhật mã như sau
kiểm tra. py
import tensorflow as tf
print[tf.__version__]
# Import NumPy - package for working with arrays in Python.
import numpy as np
# Import useful keras functions - this is similar to the
# TensorFlow.js Layers API functionality.
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
# Create a new dense layer with 1 unit, and input shape of [1].
layer0 = Dense[units=1, input_shape=[1]]
model = Sequential[[layer0]]
# Compile the model using stochastic gradient descent as optimiser
# and the mean squared error loss function.
model.compile[optimizer='sgd', loss='mean_absolute_error']
# Provide some training data! Here we are using some fictional data
# for house square footage and house price [which is simply 1000x the
# square footage] which our model must learn for itself.
xs = np.array[[800.0, 850.0, 900.0, 950.0, 980.0, 1000.0, 1050.0, 1075.0, 1100.0, 1150.0, 1200.0, 1250.0, 1300.0, 1400.0, 1500.0, 1600.0, 1700.0, 1800.0, 1900.0, 2000.0], dtype=float]
ys = np.array[[800000.0, 850000.0, 900000.0, 950000.0, 980000.0, 1000000.0, 1050000.0, 1075000.0, 1100000.0, 1150000.0, 1200000.0, 1250000.0, 1300000.0, 1400000.0, 1500000.0, 1600000.0, 1700000.0, 1800000.0, 1900000.0, 2000000.0], dtype=float]
# Train the model for 500 epochs.
model.fit[xs, ys, epochs=500, verbose=0]
# Test the trained model on a test input value
print[model.predict[[1200.0]]]
# Save the model we just trained to the "SavedModel" format to the
# same directory our test.py file is located.
tf.saved_model.save[model, './']
Mã này sẽ đào tạo một hồi quy tuyến tính rất đơn giản để học cách ước tính mối quan hệ giữa x [đầu vào] và y [đầu ra] của chúng tôi được cung cấp. Sau đó, chúng tôi sẽ lưu mô hình được đào tạo kết quả vào đĩa. Kiểm tra các bình luận nội tuyến để biết thêm chi tiết về những gì mỗi dòng làm
Nếu chúng tôi kiểm tra thư mục của mình sau khi chạy chương trình này [bằng cách gọi
sudo apt install python3-pip
pip3 install --upgrade pip
- kiểm tra. py
- đã lưu_model. pb
- tài sản
- biến
Bây giờ chúng tôi đã tạo các tệp mà chúng tôi cần để TensorFlow sử dụng. js để chuyển đổi mô hình này để chạy trong trình duyệt
5. Chuyển đổi SavingModel thành TensorFlow. định dạng js
Cài đặt TensorFlow. trình chuyển đổi js
Để cài đặt bộ chuyển đổi, hãy chạy lệnh sau
cửa sổ đầu cuối
python3 --version
Điều đó thật dễ dàng
Xin lưu ý. Ngoài ra còn có một trình hướng dẫn mà bạn có thể cài đặt bằng cách sử dụng
sudo apt install python3-pip
pip3 install --upgrade pip
Sau khi cài đặt, bạn có thể chạy lệnh
sudo apt install python3-pip
pip3 install --upgrade pip
Giả sử chúng ta đang sử dụng trình chuyển đổi dòng lệnh [_______3_______4] chứ không phải phiên bản trình hướng dẫn được hiển thị ở trên, chúng tôi có thể gọi lệnh sau để chuyển đổi mô hình đã lưu mà chúng tôi vừa tạo và chuyển rõ ràng các tham số cho trình chuyển đổi
cửa sổ đầu cuối
python3 --version
Chuyện gì đang xảy ra ở đây?
Trong mã ví dụ của chúng tôi ở trên, bạn sẽ lưu ý rằng chúng tôi đã nhập máy ảnh và sử dụng các API lớp cấp cao hơn của nó để tạo mô hình của chúng tôi. Nếu bạn chưa sử dụng máy ảnh trong mã Python của mình, bạn có thể muốn sử dụng định dạng đầu vào khác
- máy ảnh - để tải định dạng máy ảnh [loại tệp HDF5]
- tf_saved_model - để tải mô hình sử dụng API lõi tensorflow thay vì máy ảnh
- tf_frozen_model - để tải mô hình có chứa trọng số cố định
- tf_hub - để tải một mô hình được tạo từ trung tâm tensorflow
Bạn có thể tìm hiểu thêm về các định dạng khác tại đây
2 tham số tiếp theo chỉ định thư mục chứa mô hình đã lưu - trong bản demo ở trên, chúng tôi chỉ định thư mục hiện tại và cuối cùng, chúng tôi chỉ định thư mục nào chúng tôi muốn xuất chuyển đổi của mình sang thư mục mà chúng tôi chỉ định ở trên là thư mục có tên "
sudo apt install python3-pip
pip3 install --upgrade pip
Chạy lệnh trên sẽ tạo một thư mục mới trong thư mục hiện tại có tên là
sudo apt install python3-pip
pip3 install --upgrade pip
sudo apt install python3-pip
pip3 install --upgrade pip
- mô hình. json
- Nhóm1-shard1of1. thùng rác
Đây là những tệp chúng ta cần để chạy mô hình trong trình duyệt web. Lưu các tệp này vì chúng tôi sẽ sử dụng chúng trong phần tiếp theo
Xin lưu ý. TensorFlow phía khách hàng. js sẽ luôn bao gồm một tệp
sudo apt install python3-pip
pip3 install --upgrade pip
sudo apt install python3-pip
pip3 install --upgrade pip
6. Sử dụng mô hình đã chuyển đổi của chúng tôi trong trình duyệt
Lưu trữ các tệp đã chuyển đổi
Trước tiên, chúng tôi phải đặt các tệp
sudo apt install python3-pip
pip3 install --upgrade pip
pip3 --version
Đang tải tệp lên Glitch
- Đăng nhập vào Glitch. com
- Sử dụng liên kết này để. Cái này chứa các tệp html, css và js khung nhập TensorFlow. thư viện js để chúng tôi sẵn sàng sử dụng
- Nhấp vào thư mục "nội dung" trong bảng điều khiển bên trái
- Nhấp vào "tải nội dung lên" và chọn
2 để tải lên thư mục này. Bây giờ nó sẽ trông như thế này sau khi được tải lên.pip3 --version - Nếu bạn nhấp vào tệp
2 mà bạn vừa tải lên, bạn sẽ có thể sao chép URL tới vị trí của nó. Sao chép đường dẫn này ngay bây giờ như được hiển thị.pip3 --version - Bây giờ hãy chỉnh sửa
8 bằng trình soạn thảo văn bản yêu thích của bạn trên máy cục bộ của bạn và tìm kiếm [sử dụng CTRL+F] cho tệpsudo apt install python3-pip pip3 install --upgrade pip
2 sẽ được đề cập ở đâu đó trong đópip3 --version
Thay thế tên tệp này bằng url bạn đã sao chép từ bước 5, nhưng xóa
pip3 --version
Sau khi chỉnh sửa, nó sẽ giống như thế này [lưu ý cách đường dẫn máy chủ chính đã bị xóa nên chỉ giữ lại tên tệp đã tải lên].
sudo apt install python3-pip
pip3 install --upgrade pip
pip3 --version
Tuyệt vời. Bây giờ chúng tôi đã sẵn sàng sử dụng các tệp đã lưu của mình với một số mã thực tế trong trình duyệt
Cảnh báo. Nếu bạn quyết định không sử dụng Glitch. com và thay vào đó đang chạy máy chủ web của riêng bạn, không cần chỉnh sửa tệp
sudo apt install python3-pip
pip3 install --upgrade pip
Đang tải mô hình
Bây giờ chúng tôi đã lưu trữ các tệp đã chuyển đổi của mình, chúng tôi có thể viết một trang web đơn giản để tải các tệp này và sử dụng chúng để đưa ra dự đoán. Mở
pip3 install -U setuptools
pip3 install -U setuptools
sudo apt install python3-pip
pip3 install --upgrade pip
script. js
python3 --version
Chạy đoạn mã trên sau khi bạn thay đổi hằng số
pip3 install -U setuptools
sudo apt install python3-pip
pip3 install --upgrade pip
Xin lưu ý. Để chạy mã của bạn, chỉ cần nhấp vào "hiển thị" ở đầu trang web Glitch, sau đó chọn "cửa sổ mới" hoặc "bên cạnh mã" để xem bản xem trước trực tiếp của mã đang chạy
Nếu chúng tôi kiểm tra bảng điều khiển của trình duyệt web [Nhấn F12 để hiển thị các công cụ dành cho nhà phát triển trong trình duyệt], chúng tôi cũng có thể xem mô tả mô hình cho mô hình đã tải sẽ in
So sánh điều này với mã Python của chúng tôi khi bắt đầu codelab này, chúng tôi có thể xác nhận rằng đây chính là mạng mà chúng tôi đã tạo với 1 đầu vào dày đặc và một lớp dày đặc với 1 nút
Xin chúc mừng. Bạn vừa chạy một mô hình được đào tạo Python đã chuyển đổi trong trình duyệt web
7. Mô hình không chuyển đổi
Sẽ có lúc các mô hình phức tạp hơn được biên dịch để sử dụng các thao tác ít phổ biến hơn sẽ không được hỗ trợ để chuyển đổi. Phiên bản dựa trên trình duyệt của TensorFlow. js là bản viết lại hoàn chỉnh của TensorFlow và do đó, chúng tôi hiện không hỗ trợ tất cả các hoạt động cấp thấp mà API TensorFlow C++ có [có 1000] - mặc dù theo thời gian, nhiều hoạt động hơn sẽ được thêm vào khi chúng tôi phát triển và khi các hoạt động cốt lõi trở nên ổn định hơn
Tại thời điểm viết bài này, một hàm như vậy trong TensorFlow Python tạo ra một op không được hỗ trợ khi xuất dưới dạng mô hình đã lưu là
pip3 install -U setuptools
Ở đây chúng ta có thể thấy được đánh dấu bằng màu đỏ rằng cuộc gọi
pip3 install -U setuptools
pip3 install -U setuptools
Xin lưu ý. Bạn có thể tìm thấy danh sách TensorFlow hiện được hỗ trợ. js hoạt động ở đây. Xin lưu ý rằng điều này chỉ dành cho việc triển khai trình duyệt web phía máy khách của TensorFlow. js và không áp dụng cho Node. phiên bản js của TensorFlow. js sử dụng cùng các liên kết C++ mà Python có, vì vậy tất cả các mô hình đã lưu có thể chạy mà không cần chuyển đổi trong Node. js khi sử dụng TensorFlow. js ở phía máy chủ
phải làm gì?
Bạn có hai lựa chọn
- Thực hiện op còn thiếu này trong TensorFlow. js - chúng tôi là một dự án mã nguồn mở và hoan nghênh đóng góp cho những thứ như hoạt động mới. Kiểm tra hướng dẫn này về cách viết ops mới cho TensorFlow. js. Nếu bạn quản lý để làm điều này, thì bạn có thể sử dụng cờ
8 trên trình chuyển đổi dòng lệnh của chúng tôi để bỏ qua lỗi này và tiếp tục chuyển đổi bằng mọi cách [nó sẽ cho rằng tùy chọn này có sẵn trong bản dựng TensorFlow mới của bạn. js bạn đã tạo có hỗ trợ op bị thiếu]pip3 install -U setuptools - Xác định phần nào trong mã Python của bạn đã tạo ra thao tác không được hỗ trợ trong tệp
9 mà bạn đã xuất. Trong một bộ mã nhỏ, điều này có thể dễ xác định, nhưng trong các mô hình phức tạp hơn, điều này có thể yêu cầu điều tra khá nhiều vì hiện tại không có phương pháp nào để xác định lệnh gọi hàm Python cấp cao đã tạo ra một op nhất định một lần trong định dạng tệppip3 install -U setuptools
9. Tuy nhiên, sau khi được định vị, bạn có thể thay đổi điều này để sử dụng một phương pháp khác được hỗ trợpip3 install -U setuptools
8. Xin chúc mừng
Xin chúc mừng, bạn đã thực hiện những bước đầu tiên trong việc sử dụng mô hình Python thông qua TensorFlow. js trong trình duyệt web
Tóm tắt lại
Trong phòng thí nghiệm mã này, chúng tôi đã học cách
- Thiết lập môi trường Linux của chúng tôi để cài đặt TensorFlow dựa trên Python
- Xuất Python 'SavedModel'
- Cài đặt TensorFlow. trình chuyển đổi dòng lệnh js
- Sử dụng TensorFlow. trình chuyển đổi dòng lệnh js để tạo các tệp phía máy khách cần thiết
- Sử dụng các tệp được tạo trong ứng dụng web thực
- Xác định các mô hình sẽ không chuyển đổi và những gì cần được thực hiện để cho phép chúng chuyển đổi trong tương lai
Cái gì tiếp theo?
Hãy nhớ gắn thẻ chúng tôi trong bất kỳ thứ gì bạn tạo bằng cách sử dụng #MadeWithTFJS để có cơ hội được giới thiệu trên phương tiện truyền thông xã hội hoặc thậm chí được giới thiệu tại các sự kiện TensorFlow trong tương lai. Chúng tôi rất muốn xem những gì bạn chuyển đổi và sử dụng phía máy khách trong trình duyệt