tfjs
v4.22.0
TensorFlow.js ist eine Open-Source-Hardware-beschleunigte JavaScript-Bibliothek zum Trainieren und Bereitstellen von Modellen für maschinelles Lernen.
Entwickeln Sie ML im Browser
Verwenden Sie flexible und intuitive APIs, um Modelle von Grund auf zu erstellen, indem Sie die Low-Level-JavaScript-Bibliothek für lineare Algebra oder die High-Level-Ebenen-API verwenden.
Entwickeln Sie ML in Node.js
Führen Sie nativen TensorFlow mit derselben TensorFlow.js-API unter der Node.js-Laufzeit aus.
Vorhandene Modelle ausführen
Verwenden Sie die Modellkonverter von TensorFlow.js, um bereits vorhandene TensorFlow-Modelle direkt im Browser auszuführen.
Vorhandene Modelle neu trainieren
Trainieren Sie bereits vorhandene ML-Modelle mithilfe von Sensordaten, die mit dem Browser verbunden sind, oder anderen clientseitigen Daten neu.
Dieses Repository enthält die Logik und Skripte, die mehrere Pakete kombinieren.
APIs:
Backends/Plattformen:
Wenn Ihnen die Paketgröße wichtig ist, können Sie diese Pakete einzeln importieren.
Wenn Sie Node.js-Unterstützung suchen, sehen Sie sich das Node-Verzeichnis TensorFlow.js an.
Schauen Sie sich unser Beispiel-Repository und unsere Tutorials an.
Schauen Sie sich unbedingt die Galerie aller Projekte im Zusammenhang mit TensorFlow.js an.
Schauen Sie sich unbedingt auch unser Modell-Repository an, in dem wir vorab trainierte Modelle auf NPM hosten.
Es gibt zwei Hauptmethoden, um TensorFlow.js in Ihr JavaScript-Projekt einzubinden: über Skript-Tags oder durch die Installation von NPM und die Verwendung eines Build-Tools wie Parcel, WebPack oder Rollup.
Fügen Sie einer HTML-Datei den folgenden Code hinzu:
< 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 >Öffnen Sie diese HTML-Datei in Ihrem Browser und der Code sollte ausgeführt werden!
Fügen Sie TensorFlow.js mit Yarn oder NPM zu Ihrem Projekt hinzu. Hinweis: Da wir ES2017-Syntax (z. B. import ) verwenden, geht dieser Workflow davon aus, dass Sie einen modernen Browser oder einen Bundler/Transpiler verwenden, um Ihren Code in etwas zu konvertieren, das ältere Browser verstehen. Sehen Sie sich unsere Beispiele an, um zu sehen, wie wir Parcel zum Erstellen unseres Codes verwenden. Es steht Ihnen jedoch frei, jedes beliebige Build-Tool zu verwenden.
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 ( ) ;
} ) ;Weitere Informationen finden Sie in unseren Tutorials, Beispielen und Dokumentationen.
Wir unterstützen die Portierung vorab trainierter Modelle von:
Bitte beachten Sie unten:
TensorFlow.js ist Teil des TensorFlow-Ökosystems. Für weitere Informationen:
tfjs Tag im TensorFlow-Forum.Vielen Dank, BrowserStack, für die Bereitstellung der Testunterstützung.
