tfjs下載 - tfjs原始碼下載

tfjs

其他源碼

v4.22.0

下載

TensorFlow.js

TensorFlow.js 是一個開源硬體加速 JavaScript 函式庫，用於訓練和部署機器學習模型。

在瀏覽器中開發 ML
使用靈活直覺的 API，使用低階 JavaScript 線性代數函式庫或高階層 API 從頭開始建立模型。

在 Node.js 中開發 ML
在 Node.js 運行時下使用相同的 TensorFlow.js API 執行本機 TensorFlow。

運行現有模型
使用 TensorFlow.js 模型轉換器直接在瀏覽器中執行預先存在的 TensorFlow 模型。

重新訓練現有模型
使用連接到瀏覽器的感測器資料或其他用戶端資料重新訓練預先存在的 ML 模型。

關於這個倉庫

此儲存庫包含組合多個套件的邏輯和腳本。

蜜蜂：

TensorFlow.js Core，一種用於神經網路和數值計算的靈活的低階 API。
TensorFlow.js Layers，一個高階 API，實作與 Keras 類似的功能。
TensorFlow.js Data，一個簡單的 API，用於載入和準備類似於 tf.data 的資料。
TensorFlow.js Converter，用於將 TensorFlow SavedModel 匯入 TensorFlow.js 的工具
TensorFlow.js Vis，TensorFlow.js 模型的瀏覽器內視覺化
TensorFlow.js AutoML，用於載入和執行 AutoML Edge 產生的模型的 API 集。

後端/平台：

TensorFlow.js CPU 後端，Node.js 和瀏覽器的純 JS 後端。
TensorFlow.js WebGL Backend，瀏覽器的 WebGL 後端。
TensorFlow.js WASM 後端，瀏覽器的 WebAssembly 後端。
TensorFlow.js WebGPU，瀏覽器的 WebGPU 後端。
TensorFlow.js Node，透過 TensorFlow C++ 適配器的 Node.js 平台。
TensorFlow.js React Native，透過 expo-gl 適配器的 React Native 平台。

如果您關心捆綁包的大小，則可以單獨匯入這些包。

如果您正在尋找 Node.js 支持，請查看 TensorFlow.js Node 目錄。

範例

查看我們的範例儲存庫和教學課程。

畫廊

請務必查看與 TensorFlow.js 相關的所有專案的圖庫。

預訓練模型

請務必查看我們的模型儲存庫，我們在 NPM 上託管預先訓練的模型。

基準測試

本地基準工具。使用此網頁工具收集具有 CPU、WebGL 或 WASM 後端的本機裝置上TensorFlow.js 模型和核心的效能相關指標（速度、記憶體等）。您可以按照本指南對自訂模型進行基準測試。
多設備基準測試工具。使用此工具可以在一組遠端設備上收集相同的效能相關指標。

入門

在 JavaScript 專案中取得 TensorFlow.js 有兩種主要方法：透過腳本標籤或從 NPM 安裝並使用 Parcel、WebPack 或 Rollup 等建置工具。

透過腳本標籤

將以下程式碼加入 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 >

在瀏覽器中開啟該 HTML 文件，程式碼應該會運行！

透過NPM

使用yarn或npm將TensorFlow.js加入您的專案。注意：由於我們使用 ES2017 語法（例如import ），因此此工作流程假設您使用現代瀏覽器或捆綁器/轉譯器將程式碼轉換為舊版瀏覽器可以理解的程式碼。請參閱我們的範例，以了解如何使用 Parcel 建置程式碼。但是，您可以自由使用您喜歡的任何建置工具。

 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 ( ) ;
} ) ;