wx tfjs demo

wx-tfjs-демо

Апплет WeChat запускает демо-версию TensorFlow, и код время от времени обновляется синхронно с апплетом «AI Pocket».

Как бежать

Требования к операционной среде

Рекомендуемая система: MacOS

NodeJS: v18.xx

Версия базовой библиотеки WeChat: >= 2.29.0

Инструменты разработчика WeChat: >= v1.06.2210310

Конфигурация проекта инструментов разработчика WeChat:

• Проверьте «от ES6 до ES5».
• Проверьте «Расширенная компиляция».
• При тестировании установите флажок «Не проверять законные доменные имена...».

Использование

1. Клонируйте код локально
2. Измените конфигурацию appid в project.config.json.
3. npm i устанавливает зависимости (иногда вам может понадобиться использовать npm i --force )
4. npm run build компилирует зависимости
5. Отсканируйте код предварительного просмотра инструментов разработчика с помощью мобильного телефона.

История

раннее внедрение

Преобразуйте tfjs-core, чтобы TensorFlow.js мог работать в небольших программах. Апплет вызывает камеру для создания изображения и отображает изображение на canvas . Данные canvas подобные ImageData, можно получить через API апплета, а затем вызывается API tfjs для реализации прогнозирования.

Если вас интересует неровный опыт реализации, вы можете прочитать сообщения в блогах о трансплантации tfjs в апплет WeChat и трансплантации TensorFlowJS и попробовать еще раз.

Текущая реализация

Поскольку в tfjs элегантно реализована поддержка нескольких платформ, в частности, путем расширения platform для достижения «трансплантации», а апплет WeChat также открыл более выгодные API, навязчивый способ модификации tfjs больше не используется. Он использует плагин WeChat. в tfjs для обеспечения загрузки модели, обучения, прогнозирования и других функций.

Хотя это намного удобнее, чем раньше, данные кадра, полученные onCameraFrame апплета, не соответствуют тому, что отображается, а необработанные данные кадра обрабатываются по-разному на разных устройствах (даже на передней и задней камерах одного и того же устройства). действительно сложно получить точные результаты прогнозирования.

На данный момент я разобрался с набором методов обрезки кадровых данных и кратко их протестировал, и результаты оказались хорошими. Если есть какие-либо модели, о которых невозможно позаботиться, отправьте сообщение о проблемах и PR. .

Теперь методы обрезки кадровых данных мини-программ стали единообразными на разных платформах.

Мини-программа Демо

Мини-программа была переименована в «AI Pocket». Она по-прежнему кажется значимой, поэтому я планирую сделать эту мини-программу серьезной. Прилагается QR-код мини-программы. Каждый может испытать ее и внести предложения по улучшению!

Сотрудничество и обмен

сотрудничать

У меня накоплен опыт в области front-end и back-end разработки, Docker & Swarm, непрерывного развертывания и NLP на основе искусственного интеллекта. Если у вас есть возможность, не стесняйтесь обращаться к нам по поводу сотрудничества. различные способы связи.

Кроме того, код этого проекта имеет открытый исходный код, и заинтересованные студенты могут внести свой вклад. Ограничений на коммерческое использование, конечно, нет, но, пожалуйста, уважайте чужой труд и не делайте ничего «недоброго». Если этот проект полезен для вас, пожалуйста, оставьте чаевые.

общаться

Вы можете следить за моим личным блогом или моей личной публичной учетной записью WeChat «Hunter Grocery Store». Здесь часто будут делиться технологиями и жизненными ценностями. Добро пожаловать для общения!

Подпишитесь на официальный аккаунт и оставьте сообщение, чтобы получить QR-код «AI Pocket Communication Group» для облегчения общения! ~