Слияние кода завершено, страница обновится автоматически
TensorFlow.js — это открытая библиотека на JavaScript с аппаратной ускоренной поддержкой для обучения и развертывания моделей машинного обучения.
Разработка ML в браузере
Используйте гибкие и интуитивно понятные API для создания моделей с нуля с помощью низкоуровневой библиотеки линейной алгебры на JavaScript или высокого уровня API слоёв.
Разработка ML в Node.js
Выполняйте нативный TensorFlow с тем же API TensorFlow.js под средой выполнения Node.js.
Запуск существующих моделей
Используйте конвертеры моделей TensorFlow.js для запуска уже существующих моделей TensorFlow прямо в браузере.
Переобучение существующих моделей
Переобучайте уже существующие модели машинного обучения с использованием данных сенсоров, подключённых к браузеру или других клиентских данных.
Этот репозиторий содержит логику и скрипты, объединяющие несколько пакетов.API:
Если вам важна размерность пакета, вы можете импортировать эти пакеты отдельно.
Если вы ищете поддержку Node.js, проверьте раздел TensorFlow.js Node.
Просмотрите наши примеры репозитория и наши руководства.
Не забудьте проверить галерею всех проектов, связанных с TensorFlow.js.
Не забудьте также проверить наш репозиторий моделей, где мы храним предобученные модели на NPM.
Существует два основных способа получения TensorFlow.js в вашем JavaScript-проекте: через теги скриптов или через установку его из NPM и использование системы сборки, такой как Parcel, Webpack, или Rollup.
Добавьте следующий код в HTML-файл:
<html>
<head>
<!-- Загрузка TensorFlow.js -->
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js"></script>
<!-- Расположите свой код в теге script ниже. Также можно использовать внешний .js-файл -->
<script>
// Обратите внимание, что нет команды импорта. 'tf' доступен на странице индекса
// благодаря тегу script выше.
// Определение модели для линейной регрессии.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
// Подготовка модели для обучения: Указание потерь и оптимизатора.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});
// Генерируем некоторые синтетические данные для обучения.
const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);
// Обучаем модель, используя эти данные.
model.fit(xs, ys).then(() => {
// Используем модель для прогнозирования данных, которых она ещё не видела:
// Откройте браузерные инструменты разработчика, чтобы увидеть вывод
model.predict(tf.tensor2d([5], [1, 1])).print();
});
</script>
</head>
</html>
``` <body>
</body>
</html>
Откройте этот HTML-файл в вашем браузере, и код должен запуститься!
Добавьте TensorFlow.js в свой проект с помощью yarn или npm. Примечание: Так как
мы используем синтаксис ES2017 (например, import), эта рабочая станция предполагает использование современного браузера или сборщика/транспиллера,
чтобы преобразовать ваш код в что-то, что понимают старые браузеры. Увидеть, как мы используем Parcel для сборки
нашего кода. Однако вы свободны использовать любой инструмент сборки, который вам нравится.
import * as tf from '@tensorflow/tfjs';
// Определяем модель для линейной регрессии.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
// Подготавливаем модель для обучения: Указываем потерю и оптимизатор.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});
// Генерируем некоторые синтетические данные для обучения.
const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);
// Обучаем модель используя эти данные.
model.fit(xs, ys).then(() => {
// Используем модель для прогнозирования данных, которых она ещё не видела:
model.predict(tf.tensor2d([5], [1, 1])).print();
});
Узнайте больше в наших руководствах, примерах и документации.## Импорт заранее обученных моделей
Мы поддерживаем импорт заранее обученных моделей из:
Для получения более подробной информации обратитесь к следующему:
- [Матрица операций TFJS](https://docs.google.com/spreadsheets/d/1D25XtWaBrmUEErbGQB0QmNhH-xtwHo9LDl59w0TbxrI/edit#gid=0)
## Узнайте больше
[TensorFlow.js](https://js.tensorflow.org) является частью экосистемы
[TensorFlow](https://www.tensorflow.org). Для получения дополнительной информации:
- Чтобы получить помощь от сообщества, используйте тэг `tfjs` на [форуме TensorFlow](https://discuss.tensorflow.org/tag/tfjs).
- [Сайт TensorFlow.js](https://js.tensorflow.org)
- [Уроки](https://js.tensorflow.org/tutorials)
- [Руководство по API](https://js.tensorflow.org/api/latest/)
- [Блог TensorFlow.js](https://blog.tensorflow.org/search?label=TensorFlow.js)
Спасибо, <a href="https://www.browserstack.com/">BrowserStack</a>, за предоставление тестовой поддержки.
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Комментарии ( 0 )