如何在tensorflow.js模型中添加图像并为给定的图像标签训练模型

我们正在使用TensorFlow.js创建和训练模型。我们使用tf.fromPixels（）函数将图像转换为张量。 我们要创建具有以下属性的自定义模型：

AddImage（HTML_Image_元素，'Label'）：添加带有自定义标签的imageElement Train（）/fit（）：使用相关标签训练此自定义模型 Predict（）：预测带有相关标签的图像，它将返回带有每个图像的附加标签的预测响应。 为了更好地理解，让我们举一个例子： 假设我们有三个图像用于预测，即：img1、img2、img3，分别有三个标签“A”、“B”和“C”。 因此，我们想用这些图像和相应的标签创建和训练我们的模型，如下所示： 当用户想要预测“img1”时，它会显示预测“A”，类似地，“img2”预测用“B”表示，而“img3”预测用“C”表示

请向我建议如何创建和培训此模型

这是我们用来创建带有图像及其关联标签的模型的网页：
基于TensorFlowJS的图像分类器
异步函数learnlinear（）{
//img数据集
const imageHTML=document.getElementById（'imgshow'）；
log（'imageHTML:：'+imageHTML.src）；
//转换为张量
const tensorImg=tf.fromPixels（imageHTML）；
tensorImg.data（）.then（异步函数（stuffTensImg）{
log（'stuffTensImg:：'+stuffTensImg.toString（））；
});
const model=tf.sequential（）；
model.add（tf.layers.conv2d({
内核大小：5，
过滤器：20，
步幅：1，
激活：“relu”，
inputShape:[imageHTML.height，imageHTML.width，3]，
}));
model.add（tf.layers.maxPooling2d({
池大小：[2,2]，
步幅：[2,2]，
}));
model.add（tf.layers.flatte（））；
模型添加（tf.layers.dropout（0.2））；
//两个输出值x和y
model.add（tf.layers.dense({
单位:2,，
激活：“tanh”，
}));
//使用ADAM优化器，学习率为0.0005，MSE损失
model.compile({
优化器：tf.train.adam（0.0005），
损失：“平均平方误差”，
});
wait model.fit（tensorImg，{epochs:500}）；
model.predict（tensorImg）.print（）；
}
学习线性（）；

TLDR:您只需使用

np.expand_dims（）

或

np.reformate（）

调整数据大小即可

首先，让我们生成一些模拟当前张量输入的随机张量-

# Some random numpy array
In [20]: x = np.random.random((2,2,4))

In [21]: x
Out[21]: 
array([[[0.8454901 , 0.75157647, 0.1511371 , 0.53809724],
        [0.50779498, 0.41321185, 0.45686143, 0.80532259]],

       [[0.93412402, 0.02820063, 0.5452628 , 0.8462806 ],
        [0.4315332 , 0.9528761 , 0.69604215, 0.538589  ]]])

# Currently your tensor is a similar 3D shape like x
In [22]: x.shape
Out[22]: (2, 2, 4)

---

现在你可以把它转换成4D张量，就像这样-

[23]: y = np.expand_dims(x, axis = 3)

In [24]: y
Out[24]: 
array([[[[0.8454901 ],
         [0.75157647],
         [0.1511371 ],
         [0.53809724]],

        [[0.50779498],
         [0.41321185],
         [0.45686143],
         [0.80532259]]],


       [[[0.93412402],
         [0.02820063],
         [0.5452628 ],
         [0.8462806 ]],

        [[0.4315332 ],
         [0.9528761 ],
         [0.69604215],
         [0.538589  ]]]])

In [25]: y.shape
Out[25]: (2, 2, 4, 1)

您可以找到

np.expand\u dims

文档

---

编辑：这里有一行

np.reshape(np.ravel(x), (x.shape[0], x.shape[1], x.shape[2], 1)).shape 

---

您可以查看

np.重塑
文档。
您只需重塑张量数据

传入模型的数据应该比inputShape大一个维度。实际上，
predict
接受一个shape
InputShape
元素数组。元素的数量是批次大小。因此，图像数据应具有以下形状
[batchsize，…inputShape]
（使用省略号for rest参数指示形状的后面部分等于
inputShape
）

由于您只使用一个元素进行培训（在实际情况中不会发生这种情况），因此只需使用batchsize 1即可

model.predict(tensorImg.expandDims(0)).print()

你的错误信息非常直截了当。预期的张量为
4
，但它收到的输入为
300400,3
。只需将数据整形为4维，就像
np一样。使用resize\u image=tf扩展\u dims（一些np数组，轴=3）
即可。整形（tensorImg，[-1300，300，4]）可调整大小，但仍然会给出相同的错误：检查输入时出错：预期conv2d\u Conv2D1\u输入具有4维。但是得到了形状为300400,3的数组，在传递输入时可能没有使用
resize\u image
。另外，它不应该是
resize_image=tf.restrape（tensorImg，[-1300，400，3]）
？现在我用一个图像对象进行了成功的训练。因为我的任务是基于图像标签/图像识别，所以我们希望将“标签”与每个图像关联起来。因此，当我们尝试使用图像和标签来训练模型时，模型不会将标签存储在他的“model.json”文件中。所以你能指导我们训练一个带标签的图像吗？现在我用一个图像对象进行了一次成功的训练。因为我的任务是基于图像标签/图像识别，所以我们希望将“标签”与每个图像关联起来。因此，当我们尝试使用图像和标签来训练模型时，模型不会将标签存储在他的“model.json”文件中。所以，你能不能指导我们训练一个带有标签的图像呢？@Adarsh4sfdc不清楚你在问什么。培训时总是有标签。所以我不明白你所说的“有标签的培训”和“没有标签的培训”有什么区别。考虑在一个新的职位上详细询问你的新问题。如果上面的答案对你有所帮助，别忘了投票并将其标记为已接受：）@edkevek你能帮我吗@Greyfrog我去看看