前言

近期 Tensorflow 發佈了 2.0 的穩定版本。

這個版本重點在於易用性的改進，加強與開源神經網路函式庫 Keras 的整合，並且簡化 API 降低功能重複。

現在 TensorFlow 交換格式都與 SavedModel 統一，SavedModel 格式內容具有完整的 TensorFlow 程式，包含權重和計算，不需要原始建置模型的程式碼就能執行，這對於模型共享或是部署非常有用。

開發團隊為 TensorFlow 2.0 的 API 進行了調整，許多 API 符號經重新命名或是刪除，參數名稱也被更改，整體來說，調整後能讓 API 的使用經驗更加一致清楚。

本文旨在將 初探 Tensorflow 機器學習、Tf.js 實作 Chrome 擴充功能 的內容進行更新補充。

欲升級 Tensorflow 至 2.0 版本可用以下指令：

pip install tensorflow==2.0

影像辨識－訓練

建構神經網路

TensorFlow 2.0 提供的 API 更加人性化了。

建立神經網路層只需呼叫Sequential，並將所需要的層疊入即可。

此處用Dense全連接層建立了隱藏層（20 個神經元、激勵函數 relu）、輸出層（10 個神經元）。

且第一層需指定input_shape參數，(266,)表示輸入的shape為[＊,266]。

接著使用compile指定最佳化器（optimizer）、誤差計算方法（loss）、訓練成效指標（metrics）。

model = tf.keras.models.Sequential([
  tf.keras.layers.Dense(20, activation='relu', input_shape=(266,)), # 隱藏層
  tf.keras.layers.Dense(10, activation='softmax')                   # 輸出層
])

model.compile(optimizer='adam',                       # 最佳化器
              loss='sparse_categorical_crossentropy', # 誤差計算
              metrics=['accuracy'])                   # 成效指標

訓練並儲存結果

TensorFlow 2.0 呼叫fit丟入x、y就可以訓練了，訓練 100 步。

最後儲存訓練後的 saved_model 模型以及 tfjs 的模型。

導入tensorflowjs使用save_keras_model就可以直接導出 tfjs 模型了，不需再額外轉檔。

import os
import tensorflow as tf
import tensorflowjs as tfjs
import numpy as np
from PIL import Image

x, y = read_pic()
x = z_score(x)

model.fit(x, y, epochs=100) # 訓練 100 步

tf.saved_model.save(model, "../model_v2") # 儲存 saved_model 模型
tfjs.converters.save_keras_model(model, "../web_model_v2") # 儲存 tfjs 模型

影像辨識－推理

推理並輸出預測值

透過saved_model.save儲存的檔案已是模型，故神經網路不需重建。

TensorFlow 2.0 讀取已存在的模型只需要呼叫saved_model.load即可輕鬆達成。

輸入的dtype必須符合規定，一般是float32，shape也需與input_shape參數相符。

將輸入直接丟進方才讀出來的模型裡就可以進行推理了：model(x)。

最後，再將其轉換成 array 類型，並用argmax(1)取最大值的索引即可。

import os, requests
import tensorflow as tf
import numpy as np
from PIL import Image
from io import BytesIO


x = load_pic()
x = z_score(x)
x = np.array(x, dtype=np.float32) # 轉成 float32

model = tf.saved_model.load("model_v2") # 讀取模型
print("＝＝＝＝＝")
print(np.array(model(x)).argmax(1)) # 進行推理
print("＝＝＝＝＝")

核心 JS 撰寫

load_model()

透過save_keras_model導出的 tfjs 模型，於 TensorFlow.js 中要以loadLayersModel方式載入。

故將loadGraphModel直接改為loadLayersModel即可相容，但也需留意輸入的dtype與shape是否正確。

class Sess
{
  async load_model()
  {
    console.log("[*]模型下載中...")
    const startTime = performance.now()
    try
    {
      // this.model = await tf.loadGraphModel(MODEL_URL)
      this.model = await tf.loadLayersModel(MODEL_URL)
      tf.tidy(() => { this.model.predict(tf.zeros([4, 266])) })
      const totalTime = Math.floor(performance.now() - startTime)
      console.log(`[*]模型初始化完成，共耗時 ${totalTime} ms`)
    }
    catch { console.error(`[!]無法從下列網址載入模型： ${MODEL_URL}`) }


    const predict = this.predict(this.z_score(this.load_pic()))
    const string = predict.join("")
    console.log(`[*]預測驗證碼為：${string}`)
    document.querySelector("#baseContent_cph_confirm_txt").value = string
    console.log("[*]已填入 inputText")
    console.log("[*]執行完畢")
  }
}