tensorflowjs_converter 实用程序向导致错误的变量名称添加后缀

我正在尝试使用tensorflowjs_converter 将我在python 中训练的模型（使用tensorflow）转换为JSON 层格式，以便我可以在网络上运行它。我安装了最新版本，并转换了测试模型。对于这个模型，它按预期提供了 model.json 和 .bin 文件，但是当我在网络上运行它时，我遇到了错误：

Uncaught (in promise) Error: Provided weight data has no target variable: sequential/conv2d/kernel
    at a.value (container.js:643:15)
    at models.js:331:11
    at h (tf.min.js:17:2100)
    at Generator.<anonymous> (tf.min.js:17:3441)
    at Generator.next (tf.min.js:17:2463)
    at u (tf.min.js:17:8324)
    at o (tf.min.js:17:8527)

我用来生成 .h5 文件的代码： model.save("mnist_model.h5") （如果需要，可以提供包括培训在内的所有代码）

我用来在网络上运行模型的代码：

const modelPath = "new_model/model.json"

const model = await tf.loadLayersModel(modelPath, strict=false)

版本信息：

python         3.9.13  
tensorflow     2.16.2  
tensorflowjs   4.20.0  
numpy          1.26.4  

进行一些搜索后（查找“错误：假设重量数据没有目标变量:")，我发现 这个堆栈溢出问题 和 这个github问题 提出了同样的问题。

堆栈溢出问题没有用因为我计划构建一个更复杂的模型，手动（甚至编写脚本来）修复模型文件中的错误将非常乏味。

github问题建议了多种解决方案，但这些解决方案都不适合我加载模型一次（这就是我已经在做的事情），使用命令行工具而不是Python代码（两种方法都不起作用），在函数调用中添加 false （他们正在使用 tf.loadModel ，当我使用它时，它已被弃用）我正在使用 tf.loadLayersModel，因为该帖子已经有 6 年历史了），运行 keras.backend.clear_session() 或 tf.keras.backend.clear_session() （不起作用），然后在 colab 中重新启动会话并运行每个单元一次（没用）。

遇到的问题似乎是由 Tensorflow.js 版本和用来保存模型的 Tensorflow 版本之间的兼容性问题引起的。 虽然没有明确提及它，但我猜想在创建 mnist_model.h5 文件时正在使用 Tensorflow 2.x。

以下是一些可能解决此问题的步骤：

1. 尝试使用旧版 Tensorflow.js 加载器:

Tensorflow.js 提供了一个旧版加载器，该加载器可能与使用 Tensorflow 2.x 创建的模型更加兼容。 尝试用以下代码替换的模型加载代码：

```javascript import * as tf from '@tensorflow/tfjs'; import { loadGraphModel } from '@tensorflow/tfjs-converter';

const model = await loadGraphModel("new_model/model.json"); ```

这将使用旧版图模型加载器，该加载器可能可以正确处理的权重文件。

2. 降级的 Tensorflow.js 版本:

如果旧版加载器不起作用，则可以尝试降级 Tensorflow.js 版本。 已知 Tensorflow.js 版本 3.x 与使用 Tensorflow 2.x 创建的模型具有更好的兼容性。

可以使用 npm 或 yarn 降级的 Tensorflow.js 版本：

npm install @tensorflow/[email protected]

将 3.x.x 替换为要使用的实际 3.x 版本。

3. 使用 Tensorflow.js 重新训练的模型:

如果可能，请考虑直接在 Tensorflow.js 中重新训练的模型。 这将确保与 Tensorflow.js 的最大兼容性，并避免转换问题。

可以使用 Tensorflow.js 中的 Layers API 或导入预先训练的模型并对其进行微调。

4. 检查变量名称:

确保的模型中没有包含无效字符（如空格或特殊字符）的变量名称。 这些字符可能会在转换过程中引起问题。 如果存在，请将它们重命名为仅包含字母数字字符和下划线的名称。

如果尝试了这些步骤但仍然遇到问题，请提供以下附加信息，以便我进一步帮助：

• 用于训练模型的 Tensorflow 版本。
• 的模型架构（例如，层数、层类型）。
• 训练模型时使用的代码片段。

提供此信息将有助于我更准确地诊断问题并提供更具体的解决方案。