TFJS调用Keras转换模型时model.predict()返回undefined如何解决

错误原因 #

你代码中的问题集中在异步逻辑、模型调用方式、参数格式三个方面，具体如下：

• 模型加载是异步操作，tf.loadLayersModel返回Promise对象，你同步调用loadModel()拿到的不是可用模型实例，自然不存在predict方法
• 用const声明的prediction、model变量不可二次赋值，会触发语法错误打断逻辑执行
• 你写的model().predict是把模型实例当成函数调用，正确用法是直接调用实例方法model.predict，不需要加括号
• 定义的async异步预测函数没有被实际调用，预测逻辑根本不会运行
• predict方法要求传入匹配输入形状的tensor对象，不能直接传原生数组，你的模型输入要求形状为[batch, 34]，需要对应构造2维tensor
• 在同步代码中打印异步逻辑才会赋值的prediction，此时异步逻辑还未执行，输出自然是undefined

修复方案 #

建议先预加载模型到全局变量，避免每次预测重复加载浪费性能，修正后代码如下：

1. 模型预加载逻辑 #

// 全局存储已加载的模型实例
let trainedModel = null;

// 异步加载模型
const loadTrainedModel = async () => {
  try {
    // 替换成你实际的model.json存放路径
    trainedModel = await tf.loadLayersModel('./model.json');
    // 验证模型加载成功
    trainedModel.summary();
  } catch (err) {
    console.error('模型加载失败: ', err);
  }
};

// 页面初始化时调用加载模型
loadTrainedModel();

2. 修正后的预测函数 #

const predictPose = async (arr) => {
  // 校验模型加载状态
  if (!trainedModel) {
    console.warn('模型加载中，请稍后重试');
    return;
  }
  // 校验输入长度
  if (arr.length !== 34) {
    console.error('输入数组长度必须为34位');
    return;
  }

  // 构造符合模型要求的输入tensor，形状[1, 34]，类型匹配模型输入的float32
  const inputTensor = tf.tensor2d([arr], [1, 34], 'float32');
  try {
    // 执行预测
    const predictionTensor = trainedModel.predict(inputTensor);
    // 读取预测结果，你的模型输出是1000类的softmax结果，返回长度为1000的数组
    const predictionResult = predictionTensor.dataSync();
    // 可选：取置信度最高的类别索引
    const predictedClass = predictionResult.indexOf(Math.max(...predictionResult));

    console.log('预测置信度数组：', predictionResult);
    console.log('预测类别：', predictedClass);

    // 释放tensor内存，避免内存泄漏
    inputTensor.dispose();
    predictionTensor.dispose();

    return { predictionResult, predictedClass };
  } catch (err) {
    console.error('预测出错：', err);
    inputTensor.dispose();
  }
};

3. 调用示例 #

预测函数是异步方法，调用时需要用await或者.then接收结果：

// 你的34位输入数组
const testInput = [/* 34个数值元素 */];
// 调用方式1：await （需要放在async函数内）
const res = await predictPose(testInput);
// 调用方式2：.then
predictPose(testInput).then(res => {
  if (res) {
    // 处理预测结果
  }
});

内容的提问来源于stack exchange，提问作者sna0e