警告：我们最近发布了TensorFlow.js 2.0。如果您一直通过脚本标签使用TensorFlow.js而未指定版本，并且看到一条错误消息，指出未找到任何后端，那么您应该阅读我们的发行说明 以获取有关升级的说明。
在浏览器中开发ML
使用低级JavaScript线性代数库或高级层API，使用灵活直观的API从头开始构建模型。
在Node.js中开发ML
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模型转换器可在浏览器中直接运行预先存在的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现有ML模型。
介绍
该存储库包含结合了多个软件包的逻辑和脚本。接口：
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，实现类似于Keras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，用于加载和运行由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后端，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，则可以单独导入那些软件包。
如果您正在寻找对Node.js的支持，请查看TensorFlow.js Node目录。
基准测试
本地基准工具。使用此网页工具可在具有CPU，WebGL或WASM后端的本地设备上收集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与性能相关的相同指标。
入门
在您的JavaScript项目中获取TensorFlow.js的主要方法有两种：通过脚本标签 或从NPM安装TensorFlow.js 并使用诸如Parcel， WebPack或Rollup之类的构建工具。通过脚本标签
将以下代码添加到HTML文件：
<html>
<head> <！-加载TensorFlow.js-> <script src = “” https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js“ > </脚本>
<！-将您的代码放在下面的脚本标签中。您也可以使用外部.js文件->
<script> //注意，这里没有'import'语句。由于上面的脚本标签，'tf'在索引页上//可用。
//定义线性回归模型。
const model = tf 。顺序（）; 模型。添加（tf 。层。密集（{单位：1 ，inputShape ：[ 1 ]}））;
//准备要训练的模型：指定损失和优化器。
模型。编译（{损失：' meanSquaredError ' ，优化器：' sgd ' }）;
//生成一些综合数据进行训练。
const xs = tf 。tensor2d （[ 1 ，2 ，3 ，4 ]，[ 4 ，1 ]）; const ys = tf 。tensor2d （[ 1 ，3 ，5 ，7 ]，[ 4 ，1 ]）;
//使用数据训练模型。
模型。适合（xs ，ys ）。然后（（）=> { //使用模型上做一个数据推理点模型以前没有见过：//打开浏览器devtools查看输出模型。预测（TF 。tensor2d （[ 5 ]，[ 1 ，1 ]））。打印（）; }）; </ script> </ head>
<body>
</ body> </ html>通过NPM
使用yarn 或 npm将TensorFlow.js添加到您的项目中。注意：因为我们使用ES2017语法（例如import），所以此工作流程假设您使用的是现代浏览器或捆绑程序/编译器，将代码转换为旧版浏览器可以理解的内容。查看 示例 ，了解如何使用Parcel构建代码。但是，您可以自由使用自己喜欢的任何构建工具。
从' @ tensorflow / tfjs '导入* 作为 tf ;
//定义线性回归模型。
const model = tf 。顺序（）;
模型。添加（tf 。层。密集（{单位： 1 ， inputShape ： [ 1 ]}））;
//准备要训练的模型：指定损失和优化器。
模型。编译（{损失： ' meanSquaredError ' ， 优化器： ' sgd ' }）;
//生成一些综合数据进行训练。
const xs = tf 。tensor2d （[ 1 ， 2 ， 3 ， 4 ]， [ 4 ， 1 ]）;
const ys = tf 。tensor2d （[ 1 ， 3 ， 5 ， 7 ]， [ 4 ， 1 ]）;
//使用数据训练模型。
模型。适合（xs ， ys ）。然后（（） => {
//使用模型上做一个数据推理点模型以前没有见过：模型。预测（TF 。tensor2d （[ 5 ]，[ 1 ，1 。]））打印（） ; }）; 其他源码下载排行
-
2022-03-19
-
2022-03-26
-
2022-03-14
-
2022-03-27
-
2022-03-27
-
2022-03-27
-
2022-03-26
-
2022-03-27
最新文章
-
2022-04-21
-
2022-04-21
-
2022-04-20
-
2022-04-20
-
2022-04-19
-
2022-04-19
-
2022-04-19
-
2022-04-19
热门源码
