tfjs-react-native导出模型转Keras/Saved Model失败，如何用于TensorFlow联邦学习？

我尝试用tensorflowjs_converter把tfjs-react-native保存的模型转成Keras或TF SavedModel格式，目标是把React Native端的模型权重用于TensorFlow联邦学习的全局模型训练，但遇到了问题：

1. 先通过Python将Base64编码的权重转成二进制文件：

# Read the Base64 encoded file
with open("model_weights", "r") as file:
    base64_string = file.read()

# Decode the Base64 string
decoded_bytes = base64.b64decode(base64_string)

# Write the decoded bytes to a .bin file
with open("output.bin", "wb") as bin_file:
    bin_file.write(decoded_bytes)

2. 执行转换命令：

tensorflowjs_converter --input_format=tfjs_layers_model --output_format=keras rn_model/model_data.json rn_model_conv

其中model_data.json是通过tfjs-react-native的asyncStorageIO保存的文件，执行后报错：

KeyError: 'Field "weightsManifest" is missing from the JSON content.'

解决方法 #

核心原因 #

tfjs-react-native的asyncStorageIO是为React Native本地存储优化的轻量保存方式，生成的model_data.json并非标准的tfjs_layers_model格式——标准格式要求JSON必须包含weightsManifest字段，用于描述权重文件的路径、权重元数据等信息，而asyncStorageIO保存的文件缺少这个关键结构。

方案一：从React Native端导出标准tfjs_layers_model格式（推荐） #

不要直接从AsyncStorage导出零散文件，而是在React Native代码中用tfjs的标准保存方式导出模型，确保生成符合tfjs规范的文件结构：

import * as tf from '@tensorflow/tfjs-react-native';
import { FileSystem } from 'expo'; // 或使用React Native原生文件系统API

// 假设你的模型实例为model
const exportStandardModel = async () => {
  // 指定保存路径并创建目录
  const modelDir = `${FileSystem.documentDirectory}tfjs_model/`;
  await FileSystem.makeDirectoryAsync(modelDir, { intermediates: true });
  
  // 保存为标准tfjs_layers_model格式
  await model.save(`file://${modelDir}model.json`, { 
    weightsPathPrefix: `${modelDir}weights` 
  });

  // 之后将modelDir下的model.json和权重.bin文件导出到电脑即可
};

导出后，直接用这些标准文件执行转换命令，无需手动处理Base64。

方案二：手动补全model_data.json的weightsManifest字段（应急方案） #

如果无法重新从React Native导出模型，需要手动修改model_data.json，添加weightsManifest字段并关联你的output.bin文件：

1. 在model_data.json的根节点添加以下结构：

"weightsManifest": [
  {
    "paths": ["output.bin"],
    "weights": [
      // 需补全每一层权重的元数据，格式示例：
      {"name": "dense/kernel", "shape": [784, 128], "dtype": "float32"},
      {"name": "dense/bias", "shape": [128], "dtype": "float32"}
      // 元数据需与你的模型权重完全对应，可通过tfjs加载原模型后打印权重信息获取
    ]
  }
]

2. 确保output.bin和修改后的model_data.json在同一目录下，重新执行转换命令。

验证转换结果 #

转换完成后，在Python中加载模型确认可用：

import tensorflow as tf

# 加载Keras模型
model = tf.keras.models.load_model('rn_model_conv')
model.summary()

# 或加载SavedModel（如果转换时指定output_format=tf_saved_model）
model = tf.saved_model.load('rn_model_saved')

内容的提问来源于stack exchange，提问作者daniellaios