74 lines
2.1 KiB
Markdown
74 lines
2.1 KiB
Markdown
---
|
||
title: TensorFlow.js初见(2)
|
||
date: 2021-04-27 17:13:57
|
||
tags:
|
||
- TensorFlow
|
||
- 机器学习
|
||
categories:
|
||
- 算法
|
||
---
|
||
|
||
模型训练好之后，就可以使用该模型进行预测了
|
||
代码依然是nodejs环境的运行方式
|
||
|
||
<!-- more -->
|
||
|
||
```typescript
|
||
import * as tf from '@tensorflow/tfjs-node'
|
||
import * as fs from 'fs'
|
||
|
||
(async function(){
|
||
// 加载之前训练好的模型
|
||
const model = await tf.loadLayersModel('http://localhost:8080/model.json')
|
||
// 打印模型的摘要信息
|
||
model.summary()
|
||
|
||
const imgBuffer = fs.readFileSync(`${process.cwd()}/resource/test/可回收物-帆布鞋.jpg`)
|
||
// 对图片数据的处理方式和训练的过程一样
|
||
const x = img2x(imgBuffer)
|
||
// 执行预测
|
||
const pred = <tf.Tensor>model.predict(x)
|
||
pred.print()
|
||
console.log(pred.arraySync()[0])
|
||
})()
|
||
|
||
/**
|
||
* 图片数据处理
|
||
* @param buffer 图片数据Buffer
|
||
* @returns
|
||
*/
|
||
const img2x = (buffer: Buffer) => {
|
||
// tf.tidy 执行后就会清除所有的中间张量，并释放它们的GPU内存(相当于优化运行过程, 这一层包装也可以不要)
|
||
return tf.tidy(() => {
|
||
// 图片格式转换
|
||
const imgTs = tf.node.decodeImage(new Uint8Array(buffer))
|
||
// 图片尺寸转换
|
||
const imgTsResized = tf.image.resizeBilinear(imgTs, [224, 224])
|
||
// 将像素值归一化到[-1, 1]
|
||
/**
|
||
* 图片像素值是[0, 255]
|
||
* 先减去 255 / 2, 此时区间是[-127.5, 127.5]
|
||
* 再除以 255 / 2, 此时区间是[-1, 1]
|
||
* reshape进行模型转换
|
||
* 224,224代表尺寸 3代表RGB图片 1代表把图片放在数字1(拓展一维)
|
||
*/
|
||
return imgTsResized.toFloat().sub(255 / 2).div(255 / 2).reshape([1, 224, 224, 3])
|
||
})
|
||
}
|
||
```
|
||
这里在本地使用`http-server`启动了一个HTTP服务，方便加载模型
|
||
上面代码最后输出的执行结果是
|
||
```
|
||
[
|
||
0.03434975817799568,
|
||
0.001036567147821188,
|
||
0.9645556211471558,
|
||
0.00005802588930237107
|
||
]
|
||
```
|
||
与4种类型相对应
|
||
```
|
||
["其他垃圾","厨余垃圾","可回收物","有害垃圾"]
|
||
```
|
||
显然与可回收物的匹配度较高，其他几种的匹配度较低
|
||
> 实际预测的结果与模型的设定以及训练的素材数量相关 |