Javascript Can'；t添加tflite模型以响应本机项目

我已经使用Expo创建了一个React原生项目，并从keras获得了一个功能齐全的转换tflite模型。我正在尝试使用react原生tensorflow lite软件包API识别我的模型a JPEG图片

我在expo项目中使用了完全相同的模板，但由于某些原因，API无法识别model.tflite文件路径。（请参阅图像附件中的错误消息）

下面是我如何使用Expo资产库实现此API的副本：

import {TFLiteImageRecognition} from 'react-native-tensorflow-lite';
import React, {Component} from "react";
import {Text, View, StyleSheet} from "react-native";
import {Asset} from "expo-asset";

//Assets
import Anna from '../../assets/images/anna.jpg';
import Model from '../../android/app/src/main/assets/converted_model.tflite';
import Labels from '../../android/app/src/main/assets/labels.txt';

class MyImageClassifier extends Component {

    constructor() {
        super();
        this.state = {};

        try {
            // Initialize TensorFlow Lite Image Recognizer
            this.tfLiteImageRecognition = new TFLiteImageRecognition({
                labels: Asset.fromModule(Labels).downloadAsync(),// Your label file in assets folder
                model: Asset.fromModule(Model).downloadAsync()  // Your tflite model in assets folder.
            })
        } catch (err) {
            alert(err)
        }
    }

    /*init (callback) {
        // do something async and call the callback:
        callback.bind(this)();
    }*/

    componentWillMount() {
        let imagePath = Asset.fromModule(require("../../assets/images/anna.jpg"));
        console.warn(imagePath);
        this.classifyImage().then(console.log("Image Classified!"));
    }

    async classifyImage() {
        try {
            const results = await this.tfLiteImageRecognition.recognize({
                image: Asset.fromModule(Anna).downloadAsync(),  // Your image path.
                inputShape: (1, 100, 100, 1), // the input shape of your model. If none given, it will be default to 224.
            });

            const resultObj = {
                name: "Name: " + results[0].name,
                confidence: "Confidence: " + results[0].confidence,
                inference: "Inference: " + results[0].inference + "ms"
            };
            this.setState(resultObj)

        } catch (err) {
            alert(err)
        }
    }

    componentWillUnmount() {
        this.tfLiteImageRecognition.close() // Must close the classifier when destroying or unmounting component to release object.
    }

    render() {
        return (
            <View style={styles.container}>
                <View>
                    <Text style={styles.results}>
                        {this.state.name}
                    </Text>
                    <Text style={styles.results}>
                        {this.state.confidence}
                    </Text>
                    <Text style={styles.results}>
                        {this.state.inference}
                    </Text>
                </View>
            </View>
        );
    }
}

const styles = StyleSheet.create({
    container: {
        flex: 1,
        justifyContent: 'center',
        alignItems: 'center',
        paddingTop: 15,
        backgroundColor: '#fff',
    },
    results: {
        fontSize: 22,
        fontFamily: "serif",
        textAlign: 'center'
    }
});

export default MyImageClassifier;

从'react native tensorflow lite'导入{TFLiteImageRecognition}；
从“React”导入React，{Component}；
从“react native”导入{Text，View，StyleSheet}；
从“expo资产”导入{Asset}；
//资产
从“../../assets/images/Anna.jpg”导入Anna；
从“../../android/app/src/main/assets/converted_Model.tflite”导入模型；
从“../../android/app/src/main/assets/Labels.txt”导入标签；
类MyImageClassifier扩展组件{
构造函数（）{
超级（）；
this.state={}；
试一试{
//初始化TensorFlow Lite图像识别器
this.tfLiteImageRecognition=新的tfLiteImageRecognition({
标签：Asset.fromModule（labels）.downloadAsync（），//资产文件夹中的标签文件
模型：Asset.fromModule（model）.downloadAsync（）//资产文件夹中的tflite模型。
})
}捕捉（错误）{
警报（错误）
}
}
/*初始化（回调）{
//执行异步操作并调用回调：
绑定（这个）（）；
}*/
组件willmount（）{
让imagePath=Asset.fromModule（require（“../../assets/images/anna.jpg”）；
console.warn（imagePath）；
this.classifyImage（）.then（console.log（“Image Classified！”）；
}
异步classifyImage（）{
试一试{
const results=等待this.tfLiteImageRecognition.recognition({
image:Asset.fromModule（Anna）.downloadsync（），//您的映像路径。
inputShape：（1100，100，1），//模型的输入形状。如果没有给定，则默认为224。
});
常数resultObj={
名称：“名称：”+结果[0]。名称，
信心：“信心：”+结果[0]。信心，
推断：“推断：+结果[0]。推断+“毫秒”
};
此.setState（resultObj）
}捕捉（错误）{
警报（错误）
}
}
组件将卸载（）{
this.tfliteMageRecognition.close（）//在销毁或卸载组件以释放对象时必须关闭分类器。
}
render（）{
返回(
{this.state.name}
{this.state.confidence}
{this.state.interference}
);
}
}
const styles=StyleSheet.create({
容器：{
弹性：1，
为内容辩护：“中心”，
对齐项目：“居中”，
paddingTop:15，
背景颜色：“#fff”，
},
结果:{
尺寸：22，
fontFamily：“衬线”，
textAlign:“中心”
}
});
导出默认MyImageClassifier；

我已经测试过文件路径是否准确地指向相关文件，因此这绝对不是问题所在。我还验证了当传入正确形状的输入数据时，我的TFLite模型可以进行预测

下面是我用来作为参考的视频，帮助我实现API

---

任何帮助都将不胜感激。

我注意到的一件事是，您的输入形状是作为inputShape：（1100，100，1）而不是单个数字给出的。我想我记得在文档中它被传递为“inputShape:224”（其中224是您的形状，我认为它是高度、宽度和通道的乘积？），感谢insight@user402516。我现在使用另一种方法，在aws sagemaker中托管模型并在那里运行推断。这个问题可以结束了。