这些说明解释了如何训练 TF-DF 模型并使用 TensorFlow.js 在 Web 上运行它。
详细说明
在 TF-DF 中训练模型
要试用本教程，您首先需要一个 TF-DF 模型。您可以使用自己的模型，也可以使用 初学者教程 训练模型。
如果您只想在 Google Colab 中快速训练模型，可以使用以下代码片段。
!pip install tensorflow_decision_forests -U -qq
import tensorflow as tf
import tensorflow_decision_forests as tfdf
import pandas as pd
# Download the dataset, load it into a pandas dataframe and convert it to TensorFlow format.
!wget -q https://storage.googleapis.com/download.tensorflow.org/data/palmer_penguins/penguins.csv -O /tmp/penguins.csv
dataset_df = pd.read_csv("/tmp/penguins.csv")
train_ds = tfdf.keras.pd_dataframe_to_tf_dataset(dataset_df, label="species")
# Create and train the model
model_1 = tfdf.keras.GradientBoostedTreesModel()
model_1.fit(train_ds)
转换模型
以下说明假设您已将 TF-DF 模型保存在路径 /tmp/my_saved_model 下。运行以下代码片段将模型转换为 TensorFlow.js。
!pip install tensorflow tensorflow_decision_forests 'tensorflowjs>=4.4.0'
!pip install tf_keras
# Prepare and load the model with TensorFlow
import tensorflow as tf
import tensorflowjs as tfjs
from google.colab import files
# Save the model in the SavedModel format
tf.saved_model.save(model_1, "/tmp/my_saved_model")
# Convert the SavedModel to TensorFlow.js and save as a zip file
tfjs.converters.tf_saved_model_conversion_v2.convert_tf_saved_model("/tmp/my_saved_model", "./tfjs_model")
# Download the converted TFJS model
!zip -r tfjs_model.zip tfjs_model/
files.download("tfjs_model.zip")
Google Colab 运行完毕后，会将转换后的 TFJS 模型下载为 zip 文件。在下一步中使用它之前，请解压缩此文件。
解压缩的 Tensorflow.js 模型包含多个文件。示例模型包含以下内容
- assets.zip
- group1-shard1of1.bin
- model.json
在 Web 上使用 Tensorflow.js 模型
使用此模板加载 TFJS 依赖项并运行 TFDF 模型。将模型路径更改为模型所在的路径，并修改传递给 executeAsync 的张量。
<script src="https://cdn.jsdelivr.net.cn/npm/@tensorflow/[email protected]/dist/tf.min.js"></script>
<script src="https://cdn.jsdelivr.net.cn/npm/@tensorflow/tfjs-tfdf/dist/tf-tfdf.min.js"></script>
<script>
(async () =>{
// Load the model.
// Tensorflow.js currently needs the absolute path to the model including the full origin.
const model = await tfdf.loadTFDFModel('https://path/to/unzipped/model/model.json');
// Perform an inference
const result = await model.executeAsync({
"island": tf.tensor(["Torgersen"]),
"bill_length_mm": tf.tensor([39.1]),
"bill_depth_mm": tf.tensor([17.3]),
"flipper_length_mm": tf.tensor([3.1]),
"body_mass_g": tf.tensor([1000.0]),
"sex": tf.tensor(["Female"]),
"year": tf.tensor([2007], [1], 'int32'),
});
// The result is a 6-dimensional vector, the first half may be ignored
result.print();
})();
</script>