wx tfjs demo

wx-tfjs-demo

Das WeChat-Applet führt die Demo von TensorFlow aus und der Code wird von Zeit zu Zeit synchron mit dem Applet „AI Pocket“ aktualisiert.

Wie man läuft

Anforderungen an die Betriebsumgebung

Empfohlenes System: MacOS

NodeJS: v18.xx

WeChat-Basisbibliotheksversion: >= 2.29.0

WeChat-Entwicklertools: >= v1.06.2210310

Projektkonfiguration der WeChat-Entwicklertools:

• Aktivieren Sie „ES6 bis ES5“
• Aktivieren Sie „Erweiterte Kompilierung“
• Bitte aktivieren Sie beim Testen die Option „Legale Domänennamen nicht überprüfen …“

Verwendung

1. Klonen Sie den Code lokal
2. Ändern Sie die appid -Konfiguration in project.config.json
3. npm i installiert Abhängigkeiten (manchmal müssen Sie möglicherweise npm i --force verwenden)
4. npm run build Compile Abhängigkeiten
5. Scannen Sie den Vorschaucode der Entwicklertools mit Ihrem Mobiltelefon

Geschichte

frühzeitige Umsetzung

Transformieren Sie tfjs-core, damit TensorFlow.js in kleinen Programmen ausgeführt werden kann. Das Applet ruft die Kamera für die Bildgebung auf und zeigt das Bild auf canvas an. Die „ImageData-ähnlichen“ Daten der canvas können über die API des Applets abgerufen werden. Anschließend wird die tfjs-API aufgerufen, um die Vorhersage zu implementieren.

Wenn Sie sich für die holprigen Erfahrungen bei der Implementierung interessieren, können Sie die Blogbeiträge zum Transplantieren von TFJS in das WeChat-Applet und zum erneuten Versuch zum Transplantieren von TensorFlowJS lesen.

Aktuelle Umsetzung

Da tfjs die Unterstützung mehrerer Plattformen elegant implementiert hat, insbesondere durch die Erweiterung platform , um eine „Transplantation“ zu erreichen, und das WeChat-Applet auch vorteilhaftere APIs eröffnet hat, wird die aufdringliche Methode zum Ändern von tfjs nicht mehr verwendet. Es verwendet das WeChat-Plug-in. in von tfjs, um Modellladen, Training, Vorhersage und andere Funktionen bereitzustellen.

Obwohl dies viel praktischer ist als zuvor, stimmen die vom onCameraFrame des Applets erhaltenen Bilddaten nicht mit dem überein, was angezeigt wird, und die ursprünglichen Bilddaten werden auf verschiedenen Geräten (sogar auf der Vorder- und Rückseite desselben Geräts) unterschiedlich verarbeitet Es ist wirklich entmutigend, genaue Vorhersageergebnisse zu erhalten.

Derzeit habe ich eine Reihe von Methoden zum Zuschneiden von Rahmendaten herausgefunden und sie kurz getestet, und die Ergebnisse sind gut. Wenn es Modelle gibt, die nicht betreut werden können, reichen Sie bitte „Issues & PR“ ein .

Jetzt sind die Methoden zum Zuschneiden von Rahmendaten von Miniprogrammen auf verschiedenen Plattformen konsistent.

Miniprogramm-Demo

Das Miniprogramm wurde in „AI Pocket“ umbenannt. Es fühlt sich immer noch sinnvoll an, daher habe ich vor, dieses Miniprogramm ernst zu nehmen. Im Anhang finden Sie den QR-Code des Miniprogramms. Jeder ist herzlich eingeladen, es zu erleben und Verbesserungsvorschläge zu machen!

Zusammenarbeit und Austausch

zusammenarbeiten

Ich habe Erfahrung in den Bereichen Front-End- und Back-End-Entwicklung, Docker & Swarm, kontinuierliche Bereitstellung und NLP für künstliche Intelligenz. Wenn Sie die Möglichkeit haben, können Sie sich gerne über eine Zusammenarbeit erkundigen verschiedene Kontaktmöglichkeiten.

Darüber hinaus ist der Code dieses Projekts Open Source und interessierte Studierende sind herzlich willkommen, Beiträge zu leisten. Natürlich gibt es keine Einschränkungen bei der kommerziellen Nutzung, aber bitte respektieren Sie die Arbeit anderer und tun Sie nichts „Unfreundliches“. Wenn dieses Projekt für Sie hilfreich ist, geben Sie uns gerne ein Trinkgeld.

kommunizieren

Sie können meinem persönlichen Blog oder meinem persönlichen öffentlichen WeChat-Konto „Hunter Grocery Store“ folgen. Es wird oft einige Einblicke in die Technologie und das Leben geben.

Folgen Sie dem offiziellen Konto und hinterlassen Sie eine Nachricht, um den QR-Code der „AI Pocket Communication Group“ zu erhalten und die Kommunikation zu erleichtern! ~