tfjs
v4.22.0
TensorFlow.js est une bibliothèque JavaScript open source à accélération matérielle pour la formation et le déploiement de modèles d'apprentissage automatique.
Développer du ML dans le navigateur
Utilisez des API flexibles et intuitives pour créer des modèles à partir de zéro à l'aide de la bibliothèque d'algèbre linéaire JavaScript de bas niveau ou de l'API de couches de haut niveau.
Développer du ML dans Node.js
Exécutez TensorFlow natif avec la même API TensorFlow.js sous le runtime Node.js.
Exécuter les modèles existants
Utilisez les convertisseurs de modèles TensorFlow.js pour exécuter des modèles TensorFlow préexistants directement dans le navigateur.
Recycler les modèles existants
Reformez les modèles ML préexistants à l’aide des données de capteurs connectés au navigateur ou d’autres données côté client.
Ce référentiel contient la logique et les scripts qui combinent plusieurs packages.
Apis:
Backends/plateformes :
Si vous vous souciez de la taille du bundle, vous pouvez importer ces packages individuellement.
Si vous recherchez la prise en charge de Node.js, consultez le répertoire Node TensorFlow.js.
Consultez notre référentiel d'exemples et nos tutoriels.
N'oubliez pas de consulter la galerie de tous les projets liés à TensorFlow.js.
N'oubliez pas de consulter également notre référentiel de modèles où nous hébergeons des modèles pré-entraînés sur NPM.
Il existe deux manières principales d'obtenir TensorFlow.js dans votre projet JavaScript : via des balises de script ou en l'installant à partir de NPM et en utilisant un outil de construction tel que Parcel, WebPack ou Rollup.
Ajoutez le code suivant à un fichier 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 >Ouvrez ce fichier HTML dans votre navigateur et le code devrait s'exécuter !
Ajoutez TensorFlow.js à votre projet à l'aide de Yarn ou de NPM. Remarque : Étant donné que nous utilisons la syntaxe ES2017 (telle que import ), ce flux de travail suppose que vous utilisez un navigateur moderne ou un bundler/transpiler pour convertir votre code en quelque chose que les navigateurs plus anciens comprennent. Consultez nos exemples pour voir comment nous utilisons Parcel pour créer notre code. Cependant, vous êtes libre d'utiliser n'importe quel outil de construction que vous préférez.
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 ( ) ;
} ) ;Consultez nos tutoriels, exemples et documentation pour plus de détails.
Nous prenons en charge le portage de modèles pré-entraînés à partir de :
Veuillez vous référer ci-dessous :
TensorFlow.js fait partie de l'écosystème TensorFlow. Pour plus d'informations :
tfjs sur le forum TensorFlow.Merci, BrowserStack, d'avoir fourni une assistance pour les tests.
