TensorFlow.js tutorial（1）簡介與安裝

05-12

(未經作者同意，請勿轉載）

Tensorflow.js的優勢

TensorFlow.js是一個開源的基於硬體加速的JavaScript庫，用於訓練和部署機器學習模型。谷歌推出的第一個基於TensorFlow的前端深度學習框架是deeplearning.js（現已加入Tensorflow.js的豪華午餐內容，即TensorFlow.js Core），基於瀏覽器和Javascript的Tensorflow.js有以下的優點：

1）不用安裝驅動器和軟體，通過鏈接即可分享程序

2）網頁應用交互性更強

3）有訪問GPS，Camera，Microphone，Accelerator，Gyroscope等感測器的標準api（主要是指手機端）

4）安全性，因為數據都是保存在客戶端的

TensorFlow.js的應用方式：

1）在瀏覽器中開發ML

使用簡單直觀的API從頭構建模型，然後使用低級別的JavaScript線性代數庫或高層API進行訓練。

2)運行現有模型

使用TensorFlow.js模型轉換器在瀏覽器中運行預訓練好的TensorFlow模型。

3)重新訓練現有模型

使用連接到瀏覽器的感測器數據或其他客戶端數據重新訓練ML模型。

tensorflow.js 的安裝和使用

在您的JavaScript項目中有兩種主要的方式來獲取TensorFlow.js：通過腳本標記（script tags）或從NPM（或者yarn）安裝並使用Parcel，WebPack或Rollup等工具構建工程。

1）使用Script Tag

將下面的代碼添加到HTML文件中，在瀏覽器中打開該HTML文件，代碼應該運行！

<html> <head>  <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.9.0"> </script>  <script> // Notice there is no import statement. tf is available on the index-page // because of the script tag above. // Define a model for linear regression. const model = tf.sequential(); model.add(tf.layers.dense({units: 1, inputShape: [1]})); // Prepare the model for training: Specify the loss and the optimizer. model.compile({loss: meanSquaredError, optimizer: sgd}); // Generate some synthetic data for training. const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]); const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]); // Train the model using the data. model.fit(xs, ys).then(() => { // Use the model to do inference on a data point the model hasnt seen before: // Open the browser devtools to see the output model.predict(tf.tensor2d([5], [1, 1])).print(); }); </script> </head> <body> </body></html>

通過NPM（或yarn）

使用yarn或npm將TensorFlow.js添加到您的項目中。注意：因為使用ES2017語法（如import），所以此工作流程假定您使用打包程序/轉換程序將代碼轉換為瀏覽器可以理解的內容。在以後的教程中會介紹如何用Parcel構建工程，現在首先安裝npm或者yarn。

yarn add @tensorflow/tfjs npm install @tensorflow/tfjs

在js文件中輸入以下代碼：

import * as tf from @tensorflow/tfjs; // Define a model for linear regression. const model = tf.sequential(); model.add(tf.layers.dense({units: 1, inputShape: [1]})); // Prepare the model for training: Specify the loss and the optimizer. model.compile({loss: meanSquaredError, optimizer: sgd}); // Generate some synthetic data for training. const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]); const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]); // Train the model using the data. model.fit(xs, ys).then(() => { // Use the model to do inference on a data point the model hasnt seen before: model.predict(tf.tensor2d([5], [1, 1])).print(); });

使用yarn/npm生成

1）yarn

cd 工作目錄名yarnyarn watch

2）npm

cd 工作目錄名npm installnpm run watch

參考：

【1】TensorFlow.js

【2】tensorflow/tfjs