Unduh tfjs - Unduh kode sumber tfjs

tfjs

Kode sumber lainnya

v4.22.0

Unduh

TensorFlow.js

TensorFlow.js adalah pustaka JavaScript dengan akselerasi perangkat keras sumber terbuka untuk melatih dan menerapkan model pembelajaran mesin.

Kembangkan ML di Browser
Gunakan API yang fleksibel dan intuitif untuk membuat model dari awal menggunakan pustaka aljabar linier JavaScript tingkat rendah atau API lapisan tingkat tinggi.

Kembangkan ML di Node.js
Jalankan TensorFlow asli dengan API TensorFlow.js yang sama pada runtime Node.js.

Jalankan model yang ada
Gunakan pengonversi model TensorFlow.js untuk menjalankan model TensorFlow yang sudah ada langsung di browser.

Latih kembali model yang ada
Latih ulang model ML yang sudah ada menggunakan data sensor yang terhubung ke browser atau data sisi klien lainnya.

Tentang repo ini

Repositori ini berisi logika dan skrip yang menggabungkan beberapa paket.

Lebah:

TensorFlow.js Core, API tingkat rendah yang fleksibel untuk jaringan neural dan komputasi numerik.
Lapisan TensorFlow.js, API tingkat tinggi yang mengimplementasikan fungsionalitas mirip dengan Keras.
Data TensorFlow.js, API sederhana untuk memuat dan menyiapkan data yang serupa dengan tf.data.
TensorFlow.js Converter, alat untuk mengimpor TensorFlow SavedModel ke TensorFlow.js
TensorFlow.js Vis, visualisasi dalam browser untuk model TensorFlow.js
TensorFlow.js AutoML, Kumpulan API untuk memuat dan menjalankan model yang dihasilkan oleh AutoML Edge.

Backend/Platform:

Backend CPU TensorFlow.js, backend JS murni untuk Node.js dan browser.
TensorFlow.js WebGL Backend, backend WebGL untuk browser.
TensorFlow.js WASM Backend, backend WebAssembly untuk browser.
TensorFlow.js WebGPU, backend WebGPU untuk browser.
TensorFlow.js Node, platform Node.js melalui adaptor TensorFlow C++.
TensorFlow.js React Native, platform React Native melalui adaptor expo-gl.

Jika Anda peduli dengan ukuran paket, Anda dapat mengimpor paket tersebut satu per satu.

Jika Anda mencari dukungan Node.js, lihat direktori Node TensorFlow.js.

Contoh

Lihat contoh repositori dan tutorial kami.

Galeri

Pastikan untuk memeriksa galeri semua proyek yang terkait dengan TensorFlow.js.

Model terlatih

Pastikan juga untuk memeriksa repositori model kami tempat kami menghosting model terlatih di NPM.

Tolok ukur

Alat benchmark lokal. Gunakan alat halaman web ini untuk mengumpulkan metrik terkait performa (kecepatan, memori, dll) model dan kernel TensorFlow.js di perangkat lokal Anda dengan backend CPU, WebGL, atau WASM. Anda dapat melakukan tolok ukur model khusus dengan mengikuti panduan ini.
Alat benchmark multi-perangkat. Gunakan alat ini untuk mengumpulkan metrik terkait kinerja yang sama pada kumpulan perangkat jarak jauh .

Memulai

Ada dua cara utama untuk mendapatkan TensorFlow.js di proyek JavaScript Anda: melalui tag skrip atau dengan menginstalnya dari NPM dan menggunakan alat build seperti Parcel, WebPack, atau Rollup.

melalui Tag Skrip

Tambahkan kode berikut ke file 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 >

Buka file HTML itu di browser Anda, dan kodenya akan berjalan!

melalui NPM

Tambahkan TensorFlow.js ke proyek Anda menggunakan benang atau npm. Catatan: Karena kami menggunakan sintaksis ES2017 (seperti import ), alur kerja ini mengasumsikan Anda menggunakan browser modern atau bundler/transpiler untuk mengonversi kode Anda menjadi sesuatu yang dipahami oleh browser lama. Lihat contoh kami untuk melihat bagaimana kami menggunakan Parcel untuk membuat kode kami. Namun, Anda bebas menggunakan alat pembuatan apa pun yang Anda sukai.

 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 ( ) ;
} ) ;