Download tfjs - download do código-fonte tfjs

tfjs

Outro código-fonte

v4.22.0

Baixar

TensorFlow.js

TensorFlow.js é uma biblioteca JavaScript acelerada por hardware de código aberto para treinamento e implantação de modelos de aprendizado de máquina.

Desenvolva ML no navegador
Use APIs flexíveis e intuitivas para criar modelos do zero usando a biblioteca de álgebra linear JavaScript de baixo nível ou a API de camadas de alto nível.

Desenvolva ML em Node.js
Execute o TensorFlow nativo com a mesma API TensorFlow.js no tempo de execução do Node.js.

Executar modelos existentes
Use conversores de modelo TensorFlow.js para executar modelos pré-existentes do TensorFlow diretamente no navegador.

Retreinar modelos existentes
Treine novamente modelos de ML pré-existentes usando dados de sensores conectados ao navegador ou outros dados do lado do cliente.

Sobre este repositório

Este repositório contém a lógica e os scripts que combinam vários pacotes.

API:

TensorFlow.js Core, uma API flexível de baixo nível para redes neurais e computação numérica.
Camadas TensorFlow.js, uma API de alto nível que implementa funcionalidade semelhante ao Keras.
TensorFlow.js Data, uma API simples para carregar e preparar dados análogos ao tf.data.
TensorFlow.js Converter, ferramentas para importar um TensorFlow SavedModel para TensorFlow.js
TensorFlow.js Vis, visualização no navegador para modelos TensorFlow.js
TensorFlow.js AutoML, conjunto de APIs para carregar e executar modelos produzidos pelo AutoML Edge.

Back-ends/plataformas:

Backend de CPU TensorFlow.js, backend JS puro para Node.js e navegador.
TensorFlow.js WebGL Backend, backend WebGL para o navegador.
Backend TensorFlow.js WASM, backend WebAssembly para o navegador.
TensorFlow.js WebGPU, back-end WebGPU para o navegador.
Nó TensorFlow.js, plataforma Node.js por meio do adaptador TensorFlow C++.
TensorFlow.js React Native, plataforma React Native via adaptador expo-gl.

Se você se preocupa com o tamanho do pacote, poderá importá-los individualmente.

Se você estiver procurando suporte para Node.js, verifique o diretório TensorFlow.js Node.

Exemplos

Confira nosso repositório de exemplos e nossos tutoriais.

Galeria

Não deixe de conferir a galeria de todos os projetos relacionados ao TensorFlow.js.

Modelos pré-treinados

Não deixe de conferir também nosso repositório de modelos, onde hospedamos modelos pré-treinados no NPM.

Referências

Ferramenta de referência local. Use esta ferramenta de página da web para coletar métricas relacionadas ao desempenho (velocidade, memória, etc.) de modelos e kernels do TensorFlow.js em seu dispositivo local com back-ends de CPU, WebGL ou WASM. Você pode avaliar modelos personalizados seguindo este guia.
Ferramenta de benchmark para vários dispositivos. Use esta ferramenta para coletar as mesmas métricas relacionadas ao desempenho em uma coleção de dispositivos remotos .

Começando

Existem duas maneiras principais de obter o TensorFlow.js em seu projeto JavaScript: por meio de tags de script ou instalando-o do NPM e usando uma ferramenta de compilação como Parcel, WebPack ou Rollup.

via tag de script

Adicione o seguinte código a um arquivo 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 >

Abra esse arquivo HTML em seu navegador e o código deverá ser executado!

via NPM

Adicione TensorFlow.js ao seu projeto usando yarn ou npm. Observação: como usamos a sintaxe ES2017 (como import ), esse fluxo de trabalho pressupõe que você esteja usando um navegador moderno ou um empacotador/transpilador para converter seu código em algo que os navegadores mais antigos entendem. Veja nossos exemplos para ver como usamos Parcel para construir nosso código. No entanto, você é livre para usar qualquer ferramenta de construção de sua preferência.

 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 ( ) ;
} ) ;