はじめに

TensorFlow Developer Summit 2018　にて Webブラウザ上で機械学習のモデルの構築、学習、学習済みモデルの実行などが可能になるJavaScriptライブラリ「TensorFlow.js」がGoogleによって公開されました。
今はやりっぽいのでJavascriptの勉強もかねてちょっと動かしてみました。

目的

Python モデルをTensorFlow.js で読み込む方法メモ

作ったもの

Pythonのモデルを用いた推測結果をTensorFlow.jsのコンソール上で表示

コード

https://github.com/hiyashichuka/tfjs-iris
※以下を参考にしました
https://github.com/tensorflow/tfjs-examples/tree/master/iris

環境

OS
- Windows 10
- Bash on Ubuntu on Windows 14.04.5 LTS, Trusty Tahr
node
- node v8.11.3
- npm 5.6.0
Python
- Python 3.5.5 |Anaconda custom (64-bit)|
pip list
- tensorboard 1.8.0
- tensorflow 1.8.0
- tensorflow-gpu 1.8.0
- tensorflow-hub 0.1.0
- tensorflow-tensorboard 1.5.1
- tensorflowjs 0.5.2

主な流れ

Python学習済みモデルを作成　⇒　Pythonで実行
モデルをTensorFlow.jsで読み込める形に変換　⇒　Pythonで実行
２の学習済みモデルを用いて、任意の花の測定値からアイリスのどの品種に属するかを予測　⇒Javascriptで実行
予測結果をTensorFlow.jsで表示　⇒Javascriptで実行

3,4を具体的に
任意の４データを学習済みモデルに入れて（Sepal Length（がく片の長さ）, Sepal Width（がく片の幅）, Petal Length（花びらの長さ）, Petal Width（花びらの幅））'Setosa', 'Versicolor', 'Virginica'のどれに分類されるかをコンソール上で表示させる

1. Python学習済みモデルを作成

Irisクラス分類学習済みモデルを生成します。
今回モデルを作ることは目的ではないので、以下のGoogleのサンプルコードを使います

https://github.com/tensorflow/tfjs-examples/tree/master/iris/python

2. モデルをTensorFlow.jsで読み込める形に変換

１の iris_data.pyを実行します
実行環境がないならGoogle Colaboratoryを使うといいかもです

python iris_data.py

以下のファイルが\tmp\iris.kerasに生成されます
model.jsonを読み込みに使います　　　　　

group1-shard1of1 　
group2-shard1of1　
model.json

3 学習済みモデルを用いて、任意の花の測定値からアイリスのどの品種に属するかを予測

データ読み込み

tf.loadModelからmodel.jsonを読み込みます。

  const MODEL_JSON_URL = /* model.jsonのPath */
  const model = await tf.loadModel(MODEL_JSON_URL);

テストデータを用意

今回はPetal length, Petal width, Sepal length, Sepal widthの四つのデータが必要なので、inputData で渡します

  // Input four date
  // Petal length, Petal width, Sepal length, Sepal width
  const inputData = [5.1, 3.5, 1.4, 0.2];
  const input = tf.tensor2d([inputData], [1, 4]);

予測

model.predictにinputデータを入れることで予測が可能です

  const predictOut = model.predict(input);

4. 予測結果をTensorFlow.jsで表示

結果出力

  const logits = Array.from(predictOut.dataSync());
  console.log("Setosa Probabilities :" + logits[0]);
  console.log("Versicolor Probabilities :" + logits[1]);
  console.log("Virginica Probabilities :" + logits[2]);

  const winner = IRIS_CLASSES[predictOut.argMax(-1).dataSync()[0]];
  console.log("Predict IRIS Class :" + winner);

上記結果

Setosa Probabilities :0.956368625164032
Versicolor Probabilities :0.04204682260751724
Virginica Probabilities :0.0015846537426114082
Predict IRIS Class :Setosa

Setosa ＞ Versicolor > Virginica なのでSetosaクラスに分類されることがわかりました

メモ

tfjs-converterを使わない理由

GoogleがSavedModelを使うのを推奨しているため

(Note: TensorFlow has deprecated session bundle format, please switch to SavedModel.)
https://github.com/tensorflow/tfjs-converter

参考

tfjs-examples
https://github.com/tensorflow/tfjs-examples

TensorFlow.jsでMNIST学習済モデルを読み込みブラウザで手書き文字認識をする
https://qiita.com/kaneU/items/ca84c4bfcb47ac53af99

TensorFlow 1.7 新機能サンプルコードまとめ
https://qiita.com/akimach/items/d150fce405aff37dd463#get-started.md

TensorFlow.jsでPython学習済モデルを読み込み、ブラウザで予測結果を出力する