如何将子类化语音识别模型转换为TensorFlow.js可用格式

核心逻辑：报错本质是子类化模型无法序列化为HDF5格式的Keras模型，无需走Keras模型转TFJS的路径，直接通过SavedModel格式中转即可，具体操作步骤如下：

• 步骤1：Python侧导出SavedModel格式
  首先要确保子类化模型已经完成build，先给模型喂一次和实际推理shape、dtype完全一致的dummy输入触发参数初始化，再导出为TensorFlow原生SavedModel格式，示例代码：

  import tensorflow as tf
  # 此处替换为你自己的子类化模型实例
  model = YourSubclassedModel()
  # 按你语音输入的实际shape、dtype调整dummy输入，示例为单条1秒16kHz采样率的语音输入
  dummy_input = tf.random.normal([1, 16000], dtype=tf.float32)
  _ = model(dummy_input)
  # 导出为SavedModel格式
  model.save("saved_model_dir", save_format="tf")
  

  注意：必须完成dummy输入前向推理步骤，否则子类化模型可能参数未完全初始化，导出的模型会出现推理错误
• 步骤2：使用tfjs-converter转换SavedModel
  直接安装tfjs-converter之后，对导出的SavedModel文件夹执行转换命令即可，无需处理Keras模型相关的逻辑：

  # 先安装转换器
  pip install tensorflowjs
  # 执行转换，输入为刚才导出的SavedModel文件夹，输出为TF.js模型存放目录
  tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model ./saved_model_dir ./tfjs_model_output
  

• 步骤3：Node.js侧加载使用
  转换完成后得到的是TF.js图模型，在Node.js中直接用tf.loadGraphModel加载即可，输入张量的shape、dtype要和你Python侧的dummy输入完全一致，输出取对应节点的结果即可。
  注意：不要使用tf.loadLayersModel加载，该方法仅适配层模型，子类化转换后得到的是图模型，必须用tf.loadGraphModel

备选兼容方案 #

如果转换后出现算子不兼容、推理结果不符合预期的问题，可以选择手动在TF.js中复现子类化模型的结构，再加载权重：

• Python侧执行model.save_weights("model_weights.h5")导出权重文件
• 用tfjs-converter把权重文件转成TF.js支持的分片权重格式
• Node.js侧按子类化模型的逻辑实现相同的层结构，加载转换后的权重后直接推理即可，该方案兼容性最高

内容的提问来源于stack exchange，提问作者Bendemann