TensorFlow.js浏览器训练后合并保存Mobilenet与KNN分类器的实现方法

报错原因 #

你调用model.add时报错的核心原因是：你传入的backbone（即Mobilenet加载实例）和outputlayer（KNN分类器实例）都不是TF.js的标准tf.layers.Layer类型，无法直接加入序列模型。
另外KNN分类器本身是基于实例的非参数算法，仅存储样本特征，没有可训练的层权重，不属于TF.js的计算图组件，所以无法直接和Mobilenet合并为标准的结构化模型文件。

最优实现方案 #

方案1：分开导出两部分（最简便，完全兼容你现有逻辑） #

你不需要强行合并模型，分别导出骨干网络和KNN样本数据集即可，后续加载后可以直接沿用现有推理逻辑。

1. 导出Mobilenet骨干模型

// 提取Mobilenet的conv_preds层作为输出，构建标准TF.js模型
const backboneModel = tf.model({
  inputs: net.model.inputs,
  outputs: net.model.getLayer('conv_preds').output
});
// 导出骨干模型，会自动下载my-backbone.json和对应的权重文件
await backboneModel.save('downloads://my-backbone');

2. 导出KNN分类器的样本数据集

// 获取KNN内部存储的所有类别特征数据集
const knnDataset = classifier.getClassifierDataset();
// 将张量转为普通数组，方便序列化为JSON
const serializedDataset = {};
Object.keys(knnDataset).forEach(classId => {
  serializedDataset[classId] = knnDataset[classId].arraySync();
});
// 生成JSON文件下载到本地
const dataBlob = new Blob([JSON.stringify(serializedDataset)], {type: 'application/json'});
const downloadLink = document.createElement('a');
downloadLink.href = URL.createObjectURL(dataBlob);
downloadLink.download = 'knn-dataset.json';
downloadLink.click();

后续加载使用时，先加载my-backbone.json得到骨干模型，再加载knn-dataset.json将数组转回张量，调用classifier.setClassifierDataset()方法即可恢复分类器，推理逻辑和你现有代码完全一致。

方案2：替换KNN为全连接层，合并为单个模型 #

如果你需要导出单个结构化模型，可将KNN分类器替换为标准全连接层，重新训练后合并导出：

1. 用现有样本通过Mobilenet提取conv_preds激活值作为训练数据，对应标签做one-hot编码
2. 构建小型全连接分类层，用提取好的训练数据完成训练
3. 将Mobilenet骨干和训练好的全连接层拼接为完整模型，直接调用save方法导出即可，导出的模型也可以通过工具转换为.h5格式在Python端使用。

内容的提问来源于stack exchange，提问作者mrk