Keras模型（通常通过Python API创建）的存储格式可以有多种， 其中“整个模型”（即架构+权重+优化器状态都存在一个文件内）格式可以转换为 TensorFlow.js Layers格式，可以直接加载到TensorFlow.js中进行推理或进一步训练。

TensorFlow.js Layers格式是一个包含model.json文件和一组二进制格式的权重文件分片的目录。 model.json文件包含模型拓扑结构（又名“体系结构”或“图”：层的描述以及它们如何连接）以及权重文件的清单。

要求

运行模型格式转换程序需要Python环境;如果你想要一个独立的环境，你可以使用pipenv或virtualenv。要安装转换器，请使用这个命令 

pip install tensorflowjs

将Keras模型导入TensorFlow.js可以分为两个步骤。首先，将现有的Keras模型转换为TF.js Layers格式，然后将其加载到TensorFlow.js中。

1、将Keras模型转换为TF.js Layers格式

Keras模型通常使用model.save(filepath)保存，它生成一个包含模型拓扑结构和权重的HDF5（.h5）文件。要将这样的文件转换为TF.js Layer格式，请运行以下命令，其中path / to / my_model.h5是Keras .h5源文件，path / to / tfjs_target_dir是TF.js文件的输出目录：

# bash

tensorflowjs_converter --input_format keras \
                       path/to/my_model.h5 \
                       path/to/tfjs_target_dir

这一步骤的另一个方案：使用Python API直接导出为TF.js Layers格式

如果您在Python中使用Keras模型，则可以将其直接导出为TensorFlow.js Layers格式，如下所示：

# Python

import tensorflowjs as tfjs

def train(...):
    model = keras.models.Sequential()   # for example
    ...
    model.compile(...)
    model.fit(...)
    tfjs.converters.save_keras_model(model, tfjs_target_dir)

2、将模型加载到TensorFlow.js中

使用Web服务器来为您在步骤1中生成的转换模型文件提供服务。请注意，为了允许JavaScript获取文件，您可能需要配置服务器以允许跨源资源共享（CORS）。

然后通过提供model.json文件的URL将模型加载到TensorFlow.js中：

// JavaScript

import * as tf from '@tensorflow/tfjs';

const model = await tf.loadModel('https://foo.bar/tfjs_artifacts/model.json');

现在该模型已准备好进行推理，评估或重新训练。例如，加载的模型可以立即用于预测：

// JavaScript

const example = tf.fromPixels(webcamElement);  // for example
const prediction = model.predict(example);

TensorFlow.js Examples中的很多例子都采用此方法，使用已在Google云端存储上转换并托管的预训练模型。

请注意，您使用model.json文件名来引用整个模型。 loadModel（...）获取model.json，然后发出额外的HTTP（S）请求以获取model.json权重清单中引用的权重文件分片。这种方法允许所有这些文件被浏览器缓存（也可能通过互联网上的其他缓存服务器），因为model.json和weight shard分别小于典型的缓存文件大小限制。因此，模型可能会在随后的场合更快加载。

支持的功能

TensorFlow.js Layers目前仅支持使用标准Keras构造的Keras模型。使用了不受支持的操作或层（例如自定义层，Lambda层，自定义损失或自定义指标）的模型将无法自动导入，因为它们所依赖的Python代码无法正确地转换为JavaScript。