TensorFlow.js tf.GraphModel 类 .execute() 方法

TensorFlow.js 是一个基于 JavaScript 的深度学习框架。它提供了完整的端到端解决方案，可以训练、评估和部署机器学习模型。其中，tf.GraphModel 类是 TensorFlow.js 中一种基于计算图的模型表示方式，可以通过 .execute() 方法完成计算图中指定节点的推理任务。

方法介绍

• 方法名称：tf.GraphModel.execute(inputs, outputs, options?)
• 参数列表：
  • inputs：一个键值对对象，表示需要输入的张量节点的名称和对应的张量值。
  • outputs：一个字符串数组，表示需要输出的张量节点的名称。
  • options：可选参数，一个键值对对象，用于指定执行推理任务时的控制参数，例如批处理大小、优化器类型等。

使用示例

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

const MODEL_URL = 'https://example.com/model.json';

async function runInference(imageData) {
  const model = await loadGraphModel(MODEL_URL);
  const inputs = { 'input': tf.fromPixels(imageData) };
  const outputs = [ 'output' ];
  const options = { 'batchSize': 1 };
  const outputTensor = model.execute(inputs, outputs, options);
  console.log(outputTensor);
}

上述示例中，首先通过 @tensorflow/tfjs-converter 库的 loadGraphModel() 函数加载了一个计算图模型，然后通过 .execute() 方法执行了一次推理任务。其中，inputs 参数指定了需要输入的张量节点 input，outputs 参数指定了需要输出的张量节点 output，options 参数指定了批处理大小为 1。最后，根据计算图中 output 节点的计算结果，获取了一个输出张量对象 outputTensor。

注意事项

• inputs 参数和 outputs 参数必须严格匹配计算图中的输入、输出节点，否则会发生错误。
• options 参数可以控制执行计算图的一些运行时参数，但需要与计算图的内部结构相匹配，否则可能会导致错误或性能下降。
• .execute() 方法执行的是同步操作，可能会阻塞主线程，需要注意程序的性能和响应能力。
• 在某些特殊情况下，.execute() 方法返回的张量对象可能需要手动进行内存释放，以防止内存泄漏。