当前位置:

TensorFlow.js v3.18.0

收藏
举报
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。
  • 作者:
    暂无
  • 演示网站:
    暂无
  • 当前版本:
    v3.18.0
  • 日期:
    2022-06-12
  • 相关链接:
    Home Page
  • 所属分类:
    人工智能 JavaScript
  • 软件评级:
  • 下载人气:
    28
免费下载
求购此源码
源码详情
免费下载
联系客服/入群
源码属性
授权 开源
大小 24MB
语言 JavaScript
功能介绍
TensorFlow.js是一个开源的硬件加速JavaScript库,用于训练和部署机器学习模型。
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。


功能特点:

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>
在浏览器中打开该HTML文件,代码应运行!

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() ; }); 


付费服务
模板/插件

联系客服

手机版

扫一扫进入手机版

返回顶部