tfjs下载 - tfjs源码下载

tfjs

其他源码

v4.22.0

下载

TensorFlow.js

TensorFlow.js 是一个开源硬件加速 JavaScript 库，用于训练和部署机器学习模型。

在浏览器中开发 ML
使用灵活直观的 API，使用低级 JavaScript 线性代数库或高级层 API 从头开始构建模型。

在 Node.js 中开发 ML
在 Node.js 运行时下使用相同的 TensorFlow.js API 执行本机 TensorFlow。

运行现有模型
使用 TensorFlow.js 模型转换器直接在浏览器中运行预先存在的 TensorFlow 模型。

重新训练现有模型
使用连接到浏览器的传感器数据或其他客户端数据重新训练预先存在的 ML 模型。

关于这个仓库

该存储库包含组合多个包的逻辑和脚本。

蜜蜂：

TensorFlow.js Core，一种用于神经网络和数值计算的灵活的低级 API。
TensorFlow.js Layers，一个高级 API，实现与 Keras 类似的功能。
TensorFlow.js Data，一个简单的 API，用于加载和准备类似于 tf.data 的数据。
TensorFlow.js Converter，用于将 TensorFlow SavedModel 导入 TensorFlow.js 的工具
TensorFlow.js Vis，TensorFlow.js 模型的浏览器内可视化
TensorFlow.js AutoML，用于加载和运行 AutoML Edge 生成的模型的 API 集。

后端/平台：

TensorFlow.js CPU 后端，Node.js 和浏览器的纯 JS 后端。
TensorFlow.js WebGL Backend，浏览器的 WebGL 后端。
TensorFlow.js WASM 后端，浏览器的 WebAssembly 后端。
TensorFlow.js WebGPU，浏览器的 WebGPU 后端。
TensorFlow.js Node，通过 TensorFlow C++ 适配器的 Node.js 平台。
TensorFlow.js React Native，通过 expo-gl 适配器的 React Native 平台。

如果您关心捆绑包的大小，则可以单独导入这些包。

如果您正在寻找 Node.js 支持，请查看 TensorFlow.js Node 目录。

示例

查看我们的示例存储库和教程。

画廊

请务必查看与 TensorFlow.js 相关的所有项目的图库。

预训练模型

请务必查看我们的模型存储库，我们在 NPM 上托管预先训练的模型。

基准测试

本地基准工具。使用此网页工具收集具有 CPU、WebGL 或 WASM 后端的本地设备上TensorFlow.js 模型和内核的性能相关指标（速度、内存等）。您可以按照本指南对自定义模型进行基准测试。
多设备基准测试工具。使用此工具可以在一组远程设备上收集相同的性能相关指标。

入门

在 JavaScript 项目中获取 TensorFlow.js 有两种主要方法：通过脚本标签或从 NPM 安装并使用 Parcel、WebPack 或 Rollup 等构建工具。

通过脚本标签

将以下代码添加到 HTML 文件中：

 < 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 >

在浏览器中打开该 HTML 文件，代码应该会运行！

通过NPM

使用yarn或npm将TensorFlow.js添加到您的项目中。注意：由于我们使用 ES2017 语法（例如import ），因此此工作流程假设您使用现代浏览器或捆绑器/转译器将代码转换为旧版浏览器可以理解的代码。请参阅我们的示例，了解如何使用 Parcel 构建代码。但是，您可以自由使用您喜欢的任何构建工具。

 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 ( ) ;
} ) ;