Mô-đun có thể chứa các hàm, như đã được mô tả, nhưng cũng có các biến thuộc mọi loại [mảng, từ điển, đối tượng, v.v.]
Thí dụ
Lưu mã này vào tệp mymodule.py
person1 = {
"tên". "John",
"tuổi". 36,
"quốc gia". "Na Uy"
}
Thí dụ
Nhập mô-đun có tên mymodule và truy cập từ điển person1
nhập mymodule
a = mymodule. person1["age"]
print[a]
Đặt tên cho một mô-đun
Bạn có thể đặt tên cho tệp mô-đun bất cứ điều gì bạn thích, nhưng nó phải có phần mở rộng tệp là .py
Đổi tên một Module
Bạn có thể tạo bí danh khi nhập mô-đun bằng cách sử dụng từ khóa as
Thí dụ
Tạo bí danh cho mymodule
có tên là mx
nhập mymodule dưới dạng mx
a = mx. person1["age"]
print[a]
Mô-đun tích hợp
Có một số mô-đun tích hợp sẵn trong Python mà bạn có thể nhập bất cứ khi nào bạn muốn
Thí dụ
Nhập và sử dụng mô-đun
# Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
0nền tảng nhập khẩu
x = nền tảng. system[]
print[x]
Sử dụng hàm dir[]
Có một hàm tích hợp để liệt kê tất cả các tên hàm [hoặc tên biến] trong một mô-đun. Hàm
# Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
1Thí dụ
Liệt kê tất cả các tên được xác định thuộc về mô-đun nền tảng
nền tảng nhập khẩu
x = dir[nền tảng]
print[x]
Ghi chú. Hàm dir[] có thể được sử dụng trên tất cả các mô-đun, kể cả những mô-đun bạn tự tạo
Nhập Từ Mô-đun
Bạn có thể chọn chỉ nhập các phần từ một mô-đun bằng cách sử dụng từ khóa mymodule.py
0
Thí dụ
Mô-đun có tên mymodule
có một chức năng và một từ điển
lời chào chắc chắn[tên].
print["Xin chào, " + tên]
person1 = {
"tên". "John",
"tuổi". 36,
"quốc gia". "Na Uy"
}
Thí dụ
Chỉ nhập từ điển person1 từ mô-đun
từ mymodule nhập person1
in [person1["tuổi"]]
Chạy ví dụ »Ghi chú. Khi nhập bằng từ khóa mymodule.py
0, không sử dụng tên mô-đun khi đề cập đến các phần tử trong mô-đun. Thí dụ. mymodule.py
3, không phải mymodule.py
4
Các mô hình máy ảnh [thường được tạo thông qua API Python] có thể được lưu ở một trong các định dạng. Định dạng "toàn bộ mô hình" có thể được chuyển đổi thành TensorFlow. js, có thể được tải trực tiếp vào TensorFlow. js để suy luận hoặc đào tạo thêm
Mục tiêu TensorFlow. js Định dạng lớp là một thư mục chứa tệp
# Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
7 và một tập hợp các tệp trọng số được phân đoạn ở định dạng nhị phân. Tệp # Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
7 chứa cả cấu trúc liên kết mô hình [còn gọi là "kiến trúc" hoặc "đồ thị". mô tả về các lớp và cách chúng được kết nối] và bảng kê khai các tệp trọng lượngYêu cầu
Quy trình chuyển đổi yêu cầu môi trường Python; . Để cài đặt bộ chuyển đổi, hãy sử dụng
# Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
9Nhập mô hình Keras vào TensorFlow. js là một quy trình gồm hai bước. Đầu tiên, chuyển đổi mô hình Keras hiện có sang TF. js Layers, sau đó tải nó vào TensorFlow. js
Bước 1. Chuyển đổi mô hình Keras hiện có sang TF. định dạng lớp js
Các mẫu máy ảnh thường được lưu qua
// JavaScript
import * as tf from '@tensorflow/tfjs';
const model = await tf.loadLayersModel['//foo.bar/tfjs_artifacts/model.json'];
0, tạo ra một HDF5 duy nhất [. h5] chứa cả cấu trúc liên kết mô hình và trọng số. Để chuyển đổi một tệp như vậy thành TF. js Layers, hãy chạy lệnh sau, trong đó // JavaScript
import * as tf from '@tensorflow/tfjs';
const model = await tf.loadLayersModel['//foo.bar/tfjs_artifacts/model.json'];
1 là Keras nguồn. h5 và // JavaScript
import * as tf from '@tensorflow/tfjs';
const model = await tf.loadLayersModel['//foo.bar/tfjs_artifacts/model.json'];
2 là thư mục đầu ra đích cho TF. tập tin js# bash
tensorflowjs_converter --input_format keras \
path/to/my_model.h5 \
path/to/tfjs_target_dir
Thay thế. Sử dụng API Python để xuất trực tiếp sang TF. định dạng lớp js
Nếu bạn có mô hình Keras bằng Python, bạn có thể xuất trực tiếp mô hình đó sang TensorFlow. js Định dạng lớp như sau
# Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
Bước 2. Tải mô hình vào TensorFlow. js
Sử dụng máy chủ web để phục vụ các tệp mô hình đã chuyển đổi mà bạn đã tạo ở Bước 1. Lưu ý rằng bạn có thể cần định cấu hình máy chủ của mình để cho phép Chia sẻ tài nguyên nguồn gốc chéo [CORS], nhằm cho phép tìm nạp các tệp trong JavaScript
Sau đó tải mô hình vào TensorFlow. js bằng cách cung cấp URL cho mô hình. tập tin json
// JavaScript
import * as tf from '@tensorflow/tfjs';
const model = await tf.loadLayersModel['//foo.bar/tfjs_artifacts/model.json'];
Bây giờ mô hình đã sẵn sàng để suy luận, đánh giá hoặc đào tạo lại. Chẳng hạn, mô hình được tải có thể được sử dụng ngay lập tức để đưa ra dự đoán
// JavaScript
const example = tf.fromPixels[webcamElement]; // for example
const prediction = model.predict[example];
Nhiều TensorFlow. js Các ví dụ áp dụng phương pháp này, sử dụng các mô hình được đào tạo trước đã được chuyển đổi và lưu trữ trên Google Cloud Storage
Lưu ý rằng bạn đề cập đến toàn bộ mô hình bằng cách sử dụng tên tệp
# Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
7. # Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
1 tìm nạp # Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
7, sau đó thực hiện các yêu cầu HTTP[S] bổ sung để lấy các tệp trọng lượng đã phân mảnh được tham chiếu trong bảng kê khai trọng lượng của # Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
7. Cách tiếp cận này cho phép trình duyệt lưu tất cả các tệp này vào bộ nhớ đệm [và có thể bởi các máy chủ lưu vào bộ nhớ đệm bổ sung trên internet], bởi vì # Python
import tensorflowjs as tfjs
def train[...]:
model = keras.models.Sequential[] # for example
...
model.compile[...]
model.fit[...]
tfjs.converters.save_keras_model[model, tfjs_target_dir]
7 và các phân đoạn trọng số đều nhỏ hơn giới hạn kích thước tệp bộ nhớ đệm thông thường. Do đó, một mô hình có khả năng tải nhanh hơn trong các lần tiếp theoCác tính năng được hỗ trợ
TenorFlow. js Các lớp hiện chỉ hỗ trợ các mô hình Keras sử dụng các cấu trúc Keras tiêu chuẩn. Các mô hình sử dụng các lớp hoặc lớp không được hỗ trợ—e. g. lớp tùy chỉnh, lớp Lambda, tổn thất tùy chỉnh hoặc chỉ số tùy chỉnh—không thể được nhập tự động vì chúng phụ thuộc vào mã Python không thể dịch sang JavaScript một cách đáng tin cậy