用Tensorflow。js做了一个动漫分类的功能（二）

　　前言：
　　前面已经通过采集拿到了图片，并且也手动对图片做了标注。接下来就要通过Tensorflow。js基于mobileNet训练模型，最后就可以实现在采集中对图片进行自动分类了。
　　这种功能在应用场景里就比较多了，比如图标素材站点，用户通过上传一个图标，系统会自动匹配出相似的图标，还有二手平台，用户通过上传闲置物品图片，平台自动给出分类等，这些也都是前期对海量图片进行了标注训练而得到一个损失率极低的模型。下面就通过简单的代码实现一个小的动漫分类。
　　环境：
　　Node
　　HttpServer
　　Parcel
　　Tensorflow
　　编码：
　　1。训练模型
　　1。1。创建项目，安装依赖包npminstalltensorflowtfjslegacypeerdepsnpminstalltensorflowtfjsnodegpulegacypeerdeps
　　1。2。全局安装HttpServernpminstallihttpserver
　　1。3。下载mobileNet模型文件（网上有下载）
　　1。4。根目录下启动Http服务（开启跨域），用于mobileNet和训练结果的模型可访问httpservercorsp8080
　　1。5。创建训练执行脚本run。jsconsttfrequire（tensorflowtfjsnodegpu）；constgetDatarequire（。data）；constTRAINPATH。动漫分类train；constOUTPUToutput；constMOBILENETURLhttp：127。0。0。1：8080datamobilenetwebmodelmodel。json；（async（）｛const｛ds，classes｝awaitgetData（TRAINPATH，OUTPUT）；console。log（ds，classes）；引入别人训练好的模型constmobilenetawaittf。loadLayersModel（MOBILENETURL）；查看模型结构mobilenet。summary（）；constmodeltf。sequential（）；截断模型，复用了86个层for（leti0；i86；i）｛constlayermobilenet。layers〔i〕；layer。trainablefalse；model。add（layer）；｝降维，摊平数据model。add（tf。layers。flatten（））；设置全连接层model。add（tf。layers。dense（｛units：10，activation：relu设置激活函数，用于处理非线性问题｝））；model。add（tf。layers。dense（｛units：classes。length，activation：softmax用于多分类问题｝））；设置损失函数，优化器model。compile（｛loss：sparseCategoricalCrossentropy，optimizer：tf。train。adam（），metrics：〔acc〕｝）；训练模型awaitmodel。fitDataset（ds，｛epochs：20｝）；保存模型awaitmodel。save（file：｛process。cwd（）｝｛OUTPUT｝）；｝）（）；
　　1。6。创建图片与Tensor转换库data。jsconstfsrequire（fs）；consttfrequire（tensorflowtfjsnodegpu）；constimg2x（imgPath）｛constbufferfs。readFileSync（imgPath）；清除数据returntf。tidy（（）｛把图片转成tensorconstimgttf。node。decodeImage（newUint8Array（buffer），3）；调整图片大小constimgResizetf。image。resizeBilinear（imgt，〔224，224〕）；归一化returnimgResize。toFloat（）。sub（2552）。p（2552）。reshape（〔1，224，224，3〕）；｝）；｝constgetDataasync（traindir，output）｛letclassesfs。readdirSync（traindir，utf8）；fs。writeFileSync（。｛output｝classes。json，JSON。stringify（classes））；constdata〔〕；classes。forEach（（dir，dirIndex）｛fs。readdirSync（｛traindir｝｛dir｝）。filter（nn。match（jpg））。slice（0，1000）。forEach（filename｛constimgPath｛traindir｝｛dir｝｛filename｝；data。push（｛imgPath，dirIndex｝）；｝）；｝）；console。log（data）；打乱训练顺序，提高准确度tf。util。shuffle（data）；constdstf。data。generator（function（）｛constcountdata。length；constbatchSize32；for（letstart0；startcount；startbatchSize）｛constendMath。min（startbatchSize，count）；console。log（当前批次，start）；yieldtf。tidy（（）｛constinputs〔〕；constlabels〔〕；for（letjstart；jend；j）｛const｛imgPath，dirIndex｝data〔j〕；constximg2x（imgPath）；inputs。push（x）；labels。push（dirIndex）；｝constxstf。concat（inputs）；constystf。tensor（labels）；return｛xs，ys｝；｝）；｝｝）；return｛ds，classes｝；｝module。exportsgetData；
　　1。7。运行执行文件noderun。js
　　2。调用模型
　　2。1。全局安装parcelnpminstalliparcel
　　2。2。创建页面index。htmlinputtypefileonchangepredict（this。files〔0〕）
　　2。3。创建模型调用预测脚本script。jsimportastffromtensorflowtfjs；import｛img2x，file2img｝from。utils；constMODELPATHhttp：127。0。0。1：8080t7；constCLASSES〔假面骑士，奥特曼，海贼王，火影忍者，龙珠〕；window。onloadasync（）｛constmodelawaittf。loadLayersModel（MODELPATHoutputmodel。json）；window。predictasync（file）｛constimgawaitfile2img（file）；document。body。appendChild（img）；constpredtf。tidy（（）｛constximg2x（img）；returnmodel。predict（x）；｝）；constindexpred。argMax（1）。dataSync（）〔0〕；console。log（pred。argMax（1）。dataSync（））；letpredictStr；if（typeofCLASSES〔index〕undefined）｛predictStrBRANDCLASSES〔index〕；｝else｛predictStrCLASSES〔index〕；｝setTimeout（（）｛alert（预测结果：｛predictStr｝）；｝，0）；｝；｝；
　　2。4。创建图片tensor格式转换库utils。jsimportastffromtensorflowtfjs；exportfunctionimg2x（imgEl）｛returntf。tidy（（）｛constinputtf。browser。fromPixels（imgEl）。toFloat（）。sub（2552）。p（2552）。reshape（〔1，224，224，3〕）；returninput；｝）；｝exportfunctionfile2img（f）｛returnnewPromise（resolve｛constreadernewFileReader（）；reader。readAsDataURL（f）；reader。onload（e）｛constimgdocument。createElement（img）；img。srce。target。result；img。width224；img。height224；img。onload（）resolve（img）；｝；｝）；｝
　　2。5。打包项目并运行parcelindex。html
　　2。6。运行效果
　　注意：
　　1。模型训练过程报错
　　Inputtoreshapeisatensorwith50176values，buttherequestedshapehas150528
　　1。1。原因
　　张量reshape不对，实际输入元素个数与所需矩阵元素个数不一致，就是采集过来的图片有多种图片格式，而不同格式的通道不同（jpg3通道，png4通道，灰色图片1通道），在将图片转换tensor时与代码里的张量形状不匹配。
　　1。2。解决方法
　　一种方法是删除灰色或png图片，其二是修改代码tf。node。decodeImage（newUint8Array（buffer），3）