whabc100/my-tfjs

使用tensorflow.js训练AI模型，包括线性回归、逻辑回归、图像识别、语音识别、迁移学习、加载已有模型、模型转化等等

Tensorflow.js Converter 依赖python3.6.8版本

搭建虚拟环境：

1. 安装conda 可以使用清华镜像源，安装Miniconda 即可（注意配置环境变量）
2. 在终端检查conda命令是否可用，并创建指定python版本的虚拟环境 conda create -n [name] python=3.6.8 创建虚拟环境 conda remove -n [name] --all 删除虚拟环境 conda info --envs 查看虚拟环境 conda activate [name] 激活虚拟环境（可以发现python版本已经改变） conda deactivate [name] 退出虚拟环境
3. 安装tfjs converter pip install tensorflowjs安装 tensorflowjs_converter -h检查是否安装成功

python与JavaScript模型的互转：

1. 准备工作 conda activate [name]激活 tensorflowjs_converter检查
2. 开始转换——具体格式建议看文档（github tfjs-converter） 1）python模型转js模型 tensorflowjs_converter --input_format=keras --output_format=tf_layers_model [input_path] [output_path] 2）js模型转python模型 tensorflowjs_converter --input_format=tf_layers_model --output_format=keras [input_path] [output_path]
3. 验证模型正确性

模型加速：

1. 分片(--weight_shared_size_bytes=[size]) tensorflowjs_converter --input_format=tf_layers_model --output_format=tf_layers_model --weight_shared_size_bytes=100000 [input_path] [output_path] 在输出文件夹中会发现很多块分片后的模型，这样在加载模型时可以使用并发实现加速
2. 量化(--quantization_bytes=[n]) tensorflowjs_converter --input_format=tf_layers_model --output_format=tf_layers_model --quantization_bytes=2 [input_path] [output_path]
3. 通过转为tfjs_graph_model来加速模型——内部实现了凸优化(--output_format=tf_graph_model) tensorflowjs_converter --input_format=tf_layers_model --output_format=tf_graph_model [input_path] [output_path]

拓展学习：

1. 举一反三，训练不同应用场景的AI模型
2. 多看官方文档
3. 使用更多的预训练模型，如目标检测、NLP、人体姿势识别
4. 做更多智能相关的开源项目或商业项目，增加技术影响力