tensorflow.js前端机器学习利器

google开发的tensorflow机器学习框架目前应该是人工智能开发的第一框架,不论从框架的设计,开源环境,还是商业化应用方面都是有着很好的体现。而且Google的tensorflow团队也一直致力于将tensorflow的业务实现能力移植到端上,那么今天我们就带了google tensorflow团队在这个方面的最新进展—tensorflow.js。
tensorflow.js 是一个机器学习的前端框架,google也在github开源了相关代码。
github地址:https://github.com/tensorflow/tfjs
在实现方面tensorflow团队使用了WebGL库对运算过程进行了优化,使得tensorflow.js在学习尤其是网络扩大的时候能够有更好的性能表现。在Api设计方面,框架更多的考量到了开发人员的易用性,在较为底层的api方面使用了tensorflow的许多概念,而在高级抽象api方面则是更多的和keras。
1、类库引入
1.1 script标签引入
标签的引入是最为直接的方式,引入的地址为

https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.9.0

简单的开发的模板

<html> 
<head>  
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]"> script> 
 
<script> 


script> 
head> 
<body>

body> 
html>

1.2 npm引入
如果你使用了node进行前端架构的开发,那你就需要包管理工具npm来

npm install @tensorflow/tfj

简单的开发的模板(ES6)

import * as tf from '@tensorflow/tfjs';
// 在下面写机器学习业务代码

2、hellotfjs
2.1 代码编写

  // 定义模型:线性回归模型
  const model = tf.sequential();
  model.add(tf.layers.dense({units: 1, inputShape: [1]}));

  // 定义模型损失函数和梯度下降算法
  model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

  // 准备学习数据
  const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
  const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

  //模型学习
  model.fit(xs, ys).then(() => {
    // 使用训练完成的模型进行预测
    model.predict(tf.tensor2d([5], [1, 1])).print();
  });

2.2 代码分析
代码中具体做的事情就是线性回归分析,步骤总结为:模型定义—> 模型学习 —> 模型使用。
2.3 运行结果
在浏览器里面运行,在命令行中就能看的想要的输出。
tensorflow.js前端机器学习利器_第1张图片
tensorflow.js 就是这样环境下营运而生的产物,我们也通过上面的入门例子对她有了一个直观感受,如果你学习了tensorflow的核心知识,上手tensorflow.js将会非常容易。
更多demo进入官网:https://js.tensorflow.org/

你可能感兴趣的:(人工智能,算法,TensorFlow机器学习,python,Flask对人工智能实现,tensorflow.js,前端机器学习利器,TensorFlow)