TensorFlow.js發布：使用JS進行機器學習並在瀏覽器中運行

04-28

TensorFlow官方團隊近日發布多個重大更新，其中包括：為python開發者提供的，可以立即評估操作並且無需額外圖形構建步驟的eager execution；可以促進機器學習模型可重用部分的發布、發現和使用的TensorFlow Hub；針對移動和嵌入式設備的輕量級解決方案TensorFlow Lite；Swift的TensorFlow開源；面向JavaScript開發者的新機器學習框架TensorFlow.js！

介紹

TensorFlow.js是為JavaScript開發者準備的開源庫，可以使用JavaScript和高級圖層API完全在瀏覽器中定義，訓練和運行機器學習模型！如果你是一名機器學習新手，那麼TensorFlow.js是開始學習的好方法。

瀏覽器內的機器學習

在瀏覽器中完全由客戶端運行的機器學習程序將會解鎖新的機會，如互動式機器學習！例如下方鏈接中的吃豆人遊戲。

https://github.com/tensorflow/tfjs-examples

使用神經網路將你的攝像頭變成PAC-MAN的控制器

如果你想嘗試其他遊戲，可以使用手機上的瀏覽器玩Emoji Scavenger Hunt。

https://emojiscavengerhunt.withgoogle.com/

項目：https://github.com/google/emoji-scavenger-hunt

從用戶的角度來看，在瀏覽器中運行的ML意味著不需要安裝任何庫或驅動程序。只需打開網頁，你的程序就可以運行了。此外，它已準備好使用GPU加速運行。TensorFlow.js自動支持WebGL，並在GPU可用時會加速代碼。用戶也可以通過移動設備打開你的網頁，在這種情況下，模型可以利用感測器數據，例如陀螺儀或加速度感測器。最後，所有數據都保留在客戶端上，使得TensorFlow.js可用於低延遲推理以及隱私保護程序。

你可以用TensorFlow.js做什麼？

如果使用TensorFlow.js進行開發，可以考慮以下三種工作流程。

你可以導入現有的預訓練的模型進行推理。如果你有一個現成的TensorFlow或Keras模型，則可以將其轉換為TensorFlow.js格式，並將其載入到瀏覽器中進行推理。
你可以導入的模型進行再訓練。就像上面的吃豆人演示一樣，你可以使用遷移學習來增強現有預訓練好的離線模型（使用在瀏覽器中收集的少量數據），使用的技術稱為圖像再訓練（Image Retraining）。這是只使用少量數據，快速訓練準確模型的一種方法。
直接在瀏覽器中創作模型。你還可以使用TensorFlow.js，完全在瀏覽器中使用Javascript和高級層API定義，訓練和運行模型。如果你熟悉Keras，那麼高級層API應該也會很熟悉。

讓我們看看代碼

如果你願意，可以直接到示例或教程開始。

示例：https://github.com/tensorflow/tfjs-examples

教程：http://js.tensorflow.org/

以下內容展示了如何在瀏覽器中導出用Python定義的模型進行推理，以及如何完全用Javascript定義和訓練模型。這是定義一個神經網路來對花朵進行分類的代碼片段，就像在http://TensorFlow.org的入門指南中一樣（也就是說分類鳶尾花）。在這裡我使用一堆層定義一個模型。

1import * as tffrom 『@tensorflow/tfjs』;

2const model= tf.sequential();

3model.add(tf.layers.dense({inputShape: [4], units:100}));

4model.add(tf.layers.dense({units:4}));

5model.compile({loss: 『categoricalCrossentropy』, optimizer: 『sgd』});

我們在此使用的層API支持在示例目錄中能找到的所有Keras層（包括Dense，CNN，LSTM等）。然後，我們可以使用與方法調用相同的 Keras-compatible API來訓練我們的模型：

1await model.fit(

2 xData, yData, {

3 batchSize: batchSize,

4 epochs: epochs

5});

這個模型現在可以用來做預測了:

01// Get measurementsfor a new flower to generate a prediction

02// The first argumentis the data,and the secondis the shape.

03const inputData= tf.tensor2d([[4.8,3.0,1.4,0.1]], [1,4]);

04

05// Get the highest confidence predictionfrom our model

06const result= model.predict(inputData);

07const winner= irisClasses[result.argMax().dataSync()[0]];

08

09// Display the winner

10console.log(winner);

TensorFlow.js還包含底層API（以前稱為deeplearn.js）並支持Eager execution。

TensorFlow.js API

TensorFlow.js如何與deeplearn.js關聯？

TensorFlow.js屬於JavaScript生態系統，實現其進行機器學習的工具，繼承自deeplearn.js（即TensorFlow.js Core）。TensorFlow.js還包含一個Layers API，它是使用Core構建機器學習模型的高級庫，並且也是用於自動移植TensorFlow SavedModels和Keras hdf5模型的工具。

本文為編譯作品，轉載請註明出處。更多內容關注微信公眾號：atyun_com