如何将Azure Custom Vision导出的TensorFlow模型用于TensorFlow.js？

嘿，我之前也踩过这个坑，给你理清楚咋弄哈！首先得明确：你从Azure Custom Vision导出的Android用.pb文件是冻结计算图（Frozen Graph）——它已经把模型结构和权重打包在一起了，根本不需要单独的JSON权重文件！你之前以为要分开的结构是另一种TF模型格式，和这个不一样，所以不用费劲找JSON啦。

接下来直接用TensorFlow.js的转换器就能把这个.pb文件转成TF.js能用的格式，具体步骤一步一步来：

• 先装转换器工具
  打开终端/命令行，跑下面的命令把依赖装上：

  pip install tensorflow tensorflowjs
  

• 转换冻结图到TF.js格式
  假设你的.pb文件在./model/frozen_inference_graph.pb，还有标签文件labels.txt，运行下面的转换命令：

  tensorflowjs_converter \
    --input_format=tf_frozen_model \
    --output_node_names='你的输出节点名称' \
    ./model/frozen_inference_graph.pb \
    ./tfjs_model
  

  这里关键是要替换你的输出节点名称，给你俩实用办法找它：

  1. 用TensorFlow自带工具查询：

     saved_model_cli show --dir ./model --all
     

  2. 用Netron可视化工具打开.pb文件，一眼就能定位输出节点（Custom Vision的分类模型一般叫Softmax或者predictions）。

• 把标签文件转成TF.js友好的格式
  把你的labels.txt改成JSON格式，比如命名成labels.json，内容就是把每行的标签做成数组：

  ["猫", "狗", "鸟"]
  

  （替换成你自己的实际标签即可）

• 最后在TF.js里加载使用
  转换完成后，./tfjs_model文件夹里会有model.json和一堆权重分片文件，用TF.js的loadGraphModel就能加载：

  import * as tf from '@tensorflow/tfjs';
  
  async function loadMyModel() {
    const model = await tf.loadGraphModel('/tfjs_model/model.json');
    const labels = await fetch('/tfjs_model/labels.json').then(res => res.json());
    // 接下来就可以用model.predict()做推理啦
  }
  loadMyModel();
  

对了，要是转换的时候碰到输入尺寸的报错，就在命令里加个--input_shape参数指定模型输入维度，比如Custom Vision的分类模型通常是[1,224,224,3]，命令就改成：

tensorflowjs_converter \
  --input_format=tf_frozen_model \
  --output_node_names='你的输出节点名称' \
  --input_shape='[1,224,224,3]' \
  ./model/frozen_inference_graph.pb \
  ./tfjs_model

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