wx tfjs demo

demonstração wx-tfjs

O miniaplicativo WeChat executa a demonstração do TensorFlow e o código é atualizado de forma síncrona com o miniaplicativo "AI Pocket" de tempos em tempos.

Como correr

Requisitos do ambiente operacional

Sistema recomendado: MacOS

NodeJS: v18.xx

Versão básica da biblioteca WeChat: >= 2.29.0

Ferramentas de desenvolvedor WeChat: >= v1.06.2210310

Configuração do projeto das ferramentas de desenvolvedor WeChat:

• Verifique "ES6 a ES5"
• Marque "Compilação Aprimorada"
• Ao testar, marque "Não verificar nomes de domínio legais..."

Uso

1. Clone o código localmente
2. Modifique a configuração appid em project.config.json
3. npm i instala dependências (às vezes você pode precisar usar npm i --force )
4. npm run build compilar dependências
5. Digitalize o código de visualização das ferramentas do desenvolvedor com seu celular

História

implementação antecipada

Transforme o tfjs-core para que o TensorFlow.js possa ser executado em programas pequenos. O miniaplicativo chama a câmera para geração de imagens e exibe a imagem na canvas . Os dados "semelhantes a ImageData" da canvas podem ser obtidos por meio da API do miniaplicativo e, em seguida, a API tfjs é chamada para implementar a previsão.

Se você estiver interessado na experiência difícil de implementação, você pode ler as postagens do blog tfjs transplantado para o miniaplicativo WeChat e TensorFlowJS transplantado e tentar novamente.

Implementação atual

Como o tfjs implementou elegantemente o suporte para múltiplas plataformas, especificamente estendendo platform para obter "transplante", e o miniaplicativo WeChat também abriu APIs mais vantajosas, a forma intrusiva de modificar o tfjs não é mais usada. in do tfjs para fornecer carregamento de modelo, treinamento, previsão e outras funções.

Embora seja muito mais conveniente do que antes, os dados do quadro obtidos pelo onCameraFrame do miniaplicativo são inconsistentes com o que é exibido, e os dados brutos do quadro são processados ​​​​de forma diferente em dispositivos diferentes (até mesmo nas câmeras frontal e traseira do mesmo dispositivo). é realmente assustador obter resultados de previsão precisos.

No momento, descobri um conjunto de métodos de corte de dados de quadros e os testei brevemente, e os resultados são bons. Se houver algum modelo que não possa ser resolvido, envie Problemas e RP .

Agora, os métodos de corte de dados de quadros dos miniprogramas tornaram-se consistentes em diferentes plataformas.

Demonstração do miniprograma

O miniprograma foi renomeado para "AI Pocket". Ainda parece significativo, então pretendo levar esse miniprograma a sério. Em anexo está o código QR do miniprograma. Todos são bem-vindos para experimentá-lo e fornecer sugestões de melhorias!

Cooperação e intercâmbio

cooperar

Acumulei experiência em desenvolvimento front-end e back-end, Docker & Swarm, implantação contínua e PNL de inteligência artificial. Posso fornecer rapidamente um conjunto completo de soluções. Se você tiver a oportunidade, sinta-se à vontade para perguntar sobre cooperação por meio de cooperação. vários métodos de contato.

Além disso, o código deste projeto é de código aberto e os estudantes interessados ​​podem contribuir. É claro que não há restrições ao uso comercial, mas por favor respeite o trabalho dos outros e não faça algo “indelicado”. Se este projeto for útil para você, sinta-se à vontade para dar uma gorjeta.

comunicar

Você pode seguir meu blog pessoal ou minha conta pública pessoal do WeChat "Hunter Grocery Store". Freqüentemente, haverá algum compartilhamento de tecnologia e insights de vida.

Siga a conta oficial e deixe uma mensagem para obter o código QR do “AI Pocket Communication Group” para facilitar a comunicação! ~