tfjs
v4.22.0
TensorFlow.js هي مكتبة جافا سكريبت مفتوحة المصدر ومسرّعة بالأجهزة للتدريب ونشر نماذج التعلم الآلي.
تطوير ML في المتصفح
استخدم واجهات برمجة التطبيقات المرنة والبديهية لإنشاء نماذج من البداية باستخدام مكتبة الجبر الخطي JavaScript منخفضة المستوى أو واجهة برمجة التطبيقات للطبقات عالية المستوى.
تطوير ML في Node.js
قم بتنفيذ TensorFlow الأصلي باستخدام نفس واجهة برمجة تطبيقات TensorFlow.js ضمن وقت تشغيل Node.js.
تشغيل النماذج الموجودة
استخدم محولات نماذج TensorFlow.js لتشغيل نماذج TensorFlow الموجودة مسبقًا في المتصفح مباشرةً.
إعادة تدريب النماذج الموجودة
أعد تدريب نماذج تعلم الآلة الموجودة مسبقًا باستخدام بيانات المستشعر المتصلة بالمتصفح أو البيانات الأخرى من جانب العميل.
يحتوي هذا المستودع على المنطق والبرامج النصية التي تجمع بين عدة حزم.
واجهات برمجة التطبيقات:
الواجهات الخلفية/المنصات:
إذا كنت تهتم بحجم الحزمة، فيمكنك استيراد هذه الحزم بشكل فردي.
إذا كنت تبحث عن دعم Node.js، فراجع دليل العقدة TensorFlow.js.
تحقق من مستودع الأمثلة لدينا والبرامج التعليمية لدينا.
تأكد من مراجعة معرض جميع المشاريع المتعلقة بـ TensorFlow.js.
تأكد أيضًا من مراجعة مستودع النماذج الخاص بنا حيث نستضيف نماذج مدربة مسبقًا على NPM.
هناك طريقتان رئيسيتان للحصول على TensorFlow.js في مشروع JavaScript الخاص بك: عبر علامات البرنامج النصي أو عن طريق تثبيته من NPM واستخدام أداة إنشاء مثل Parcel أو WebPack أو Rollup.
أضف التعليمة البرمجية التالية إلى ملف HTML:
< html >
< head >
<!-- Load TensorFlow.js -->
< script src =" https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js " > </ script >
<!-- Place your code in the script tag below. You can also use an external .js file -->
< 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 hasn't seen before:
// Open the browser devtools to see the output
model . predict ( tf . tensor2d ( [ 5 ] , [ 1 , 1 ] ) ) . print ( ) ;
} ) ;
</ script >
</ head >
< body >
</ body >
</ html >افتح ملف HTML هذا في متصفحك، ومن المفترض أن يتم تشغيل الكود!
أضف TensorFlow.js إلى مشروعك باستخدام الغزل أو npm. ملاحظة: نظرًا لأننا نستخدم بناء جملة ES2017 (مثل import ) ، يفترض سير العمل هذا أنك تستخدم متصفحًا حديثًا أو مُجمِّعًا/مترجمًا لتحويل التعليمات البرمجية الخاصة بك إلى شيء تفهمه المتصفحات الأقدم. راجع الأمثلة الخاصة بنا لمعرفة كيف نستخدم Parcel لبناء الكود الخاص بنا. ومع ذلك، أنت حر في استخدام أي أداة بناء تفضلها.
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 hasn't seen before:
model . predict ( tf . tensor2d ( [ 5 ] , [ 1 , 1 ] ) ) . print ( ) ;
} ) ;راجع برامجنا التعليمية والأمثلة والوثائق لمزيد من التفاصيل.
نحن ندعم نقل النماذج المدربة مسبقًا من:
يرجى الرجوع أدناه:
يعد TensorFlow.js جزءًا من النظام البيئي TensorFlow. لمزيد من المعلومات:
tfjs في منتدى TensorFlow.شكرًا لك BrowserStack على تقديم الدعم للاختبار.
