TensorFlow.js 加载 Keras 模型时的常见错误与解决方案

在使用 TensorFlow.js 进行深度学习模型部署时，开发者经常会遇到模型加载失败的问题。本文将深入分析一个典型错误案例，帮助开发者理解问题本质并提供正确的解决方案。

问题现象

当开发者尝试在 TensorFlow.js 中加载通过 tensorflowjs_converter 转换的 Keras 模型时，可能会遇到如下错误信息：

Uncaught Error: Unknown layer: Functional. This may be due to one of the following reasons:
1. The layer is defined in Python, in which case it needs to be ported to TensorFlow.js or your JavaScript code.
2. The custom layer is defined in JavaScript, but is not registered properly with tf.serialization.registerClass().

这个错误通常发生在使用 tf.loadGraphModel() 方法加载 Keras 转换而来的模型时。

问题根源

这个错误的根本原因在于模型格式与加载方法的不匹配。通过 tensorflowjs_converter 转换 Keras 模型时，默认会生成两种不同格式的模型：

1. Layers 模型格式：保留了原始 Keras 模型的层结构信息，适用于 tf.loadLayersModel()
2. Graph 模型格式：将模型转换为计算图形式，适用于 tf.loadGraphModel()

当开发者使用 tf.loadGraphModel() 加载 Layers 格式的模型时，TensorFlow.js 无法正确解析模型中的层结构信息，特别是对于 Functional API 构建的模型，就会抛出 "Unknown layer: Functional" 的错误。

解决方案

正确的做法是根据模型转换时生成的格式选择对应的加载方法：

1. 如果模型是通过 tfjs.converters.save_keras_model() 转换的，应该使用 tf.loadLayersModel()
2. 如果模型是通过 tfjs.converters.convert_tf_saved_model() 转换的，可以使用 tf.loadGraphModel()

对于 MobileNetV2 这样的预训练 Keras 模型，正确的加载代码如下：

async function loadModel() {
  try {
    const model = await tf.loadLayersModel('path/to/model.json');
    console.log("模型加载成功");
    console.log(model.summary());
  } catch (error) {
    console.error("模型加载失败:", error);
  }
}
loadModel();

最佳实践建议

1. 明确模型格式：在转换模型时，明确了解生成的模型格式
2. 检查 model.json：打开转换后的 model.json 文件，查看 "format" 字段确认模型格式
3. 统一开发环境：确保 Python 端的 TensorFlow 和 JavaScript 端的 TensorFlow.js 版本兼容
4. 错误处理：在加载模型时添加适当的错误处理逻辑，便于调试

总结

TensorFlow.js 提供了灵活的模型加载方式，但需要开发者根据模型的实际格式选择正确的方法。理解 Layers 模型和 Graph 模型的区别，能够帮助开发者避免类似 "Unknown layer" 的错误，顺利完成从 Python 到 JavaScript 的模型迁移工作。