如何从 Tensorflow.js (.json) 模型转换为 Tensorflow (SavedModel) 或 Tensorflow Lite (.tflite) 模型？

Question

我已经从谷歌下载了一个用于 Tensorflow.js (tfjs) 的预训练 PoseNet 模型，所以它是一个json文件。

但是，我想在Android上使用它，所以我需要.tflite模型。虽然有人在这里将类似的模型从 tfjs 移植到 tflite ，但我不知道他们转换了什么模型（PoseNet 有很多变体）。我想自己做这些步骤。另外，我不想运行一些有人上传到 stackOverflow 文件中的任意代码：

注意：小心不受信任的代码——TensorFlow 模型就是代码。有关详细信息，请参阅安全使用 TensorFlow。Tensorflow 文档

有谁知道任何方便的方法来做到这一点？

Answer 1

您可以通过查看 json 文件找出您拥有的 tfjs 格式。它经常说“图形模型”。他们的区别就在这里。

从 tfjs 图模型到 SavedModel（更常见）

使用tfjs到TF由帕特里克·莱文。

import tfjs_graph_converter.api as tfjs
tfjs.graph_model_to_saved_model(
               "savedmodel/posenet/mobilenet/float/050/model-stride16.json",
               "realsavedmodel"
            )

# Code below taken from https://www.tensorflow.org/lite/convert/python_api
converter = tf.lite.TFLiteConverter.from_saved_model("realsavedmodel")
tflite_model = converter.convert()

# Save the TF Lite model.
with tf.io.gfile.GFile('model.tflite', 'wb') as f:
  f.write(tflite_model)

从 tfjs 层模型到 SavedModel

注意：这仅适用于图层模型格式，而不适用于问题中的图形模型格式。我已经在这里写下了它们之间的区别。

1. 安装并使用 tensorflowjs-convert 将.json文件转换为 Keras HDF5 文件（来自另一个SO 线程）。

在 Mac 上，运行 pyenv ( fix ) 时会遇到问题，而在 Z-shell 上， pyenv 将无法正确加载 ( fix )。此外，一旦 pyenv 运行，请使用python -m pip install tensorflowjs代替pip install tensorflowjs，因为 pyenv 并没有为我更改 pip 使用的 python。

一旦你遵循了tensorflowjs_converter 指南，运行tensorflowjs_converter以验证它没有错误，并且应该只是警告你关于Missing input_path argument. 然后：

tensorflowjs_converter --input_format=tfjs_layers_model --output_format=keras tfjs_model.json hdf5_keras_model.hdf5

2. 将 Keras HDF5 文件转换为 SavedModel（标准 Tensorflow 模型文件）或.tflite使用TFLiteConverter直接转换为文件。以下在 Python 文件中运行：

# Convert the model.
model = tf.keras.models.load_model('hdf5_keras_model.hdf5')
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert() 
    
# Save the TF Lite model.
with tf.io.gfile.GFile('model.tflite', 'wb') as f:
f.write(tflite_model)

或保存到 SavedModel：

# Convert the model.
model = tf.keras.models.load_model('hdf5_keras_model.hdf5')
tf.keras.models.save_model(
    model, filepath, overwrite=True, include_optimizer=True, save_format=None,
    signatures=None, options=None
)