javascript - learn - Error al intentar convertir el modelo guardado de TensorFlow al modelo de TensorFlow.js

tensorflow js image recognition

Question

He capacitado con éxito a un DNNClassifier para clasificar los textos (publicaciones de un foro de discusión en línea). He creado y guardado mi modelo usando este código:

embedded_text_feature_column = hub.text_embedding_column(
key="sentence",
module_spec="https://tfhub.dev/google/nnlm-de-dim128/1")
feature_columns = [embedded_text_feature_column]
estimator = tf.estimator.DNNClassifier(
hidden_units=[500, 100],
feature_columns=feature_columns,
n_classes=2,
optimizer=tf.train.AdagradOptimizer(learning_rate=0.003))
feature_spec = tf.feature_column.make_parse_example_spec(feature_columns)
serving_input_receiver_fn = tf.estimator.export.build_parsing_serving_input_receiver_fn(feature_spec)
estimator.export_savedmodel(export_dir_base="/my/dir/base", serving_input_receiver_fn=serving_input_receiver_fn)

Ahora quiero convertir mi modelo guardado para usarlo con la versión de JavaScript de TensorFlow, tf.js , usando el tfjs-converter .

Cuando emito el siguiente comando:

tensorflowjs_converter --input_format=tf_saved_model --output_node_names=''dnn/head/predictions/str_classes,dnn/head/predictions/probabilities'' --saved_model_tags=serve /my/dir/base /my/export/dir

... me sale este mensaje de error:

ValueError: Nodo ''dnn / input_from_feature_columns / input_layer / sentence_hub_module_embedding / module_apply_default / embedding_lookup_sparse / embedding_lookup / cos / 49_asp./es/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspiros/aspirador/index/free_fea_index_fea__fea__fea__fea__feature_colup_parcel.pl.

Supongo que estoy haciendo algo mal al guardar el modelo.

¿Cuál es la forma correcta de guardar un modelo de estimador para que se pueda convertir con el convertidor tfjs ?

El código fuente de mi proyecto se puede encontrar en GitHub.

Answer 1

Puedes intentar esto y creo que esto funcionará. Simplemente ingrese su formato de entrada en el código.

tensorflowjs_converter --input_format keras /
path/to/my_model.h5 /
path/to/tfjs_target_dir