TensorFlow.js — это платформа для определения и выполнения вычислений с использованием тензоров в JavaScript. Тензор — это обобщение векторов и матриц на более высокие размерности.
Тензоры
Центральным блоком данных в TensorFlow.js является tf.Tensor : набор значений, сформированный в виде массива из одного или нескольких измерений. tf.Tensor очень похожи на многомерные массивы.
tf.Tensor также содержит следующие свойства:
-
rank: определяет, сколько измерений содержит тензор. -
shape: который определяет размер каждого измерения данных -
dtype: определяет тип данных тензора.
tf.Tensor может быть создан из массива с помощью tf.tensor() :
// Create a rank-2 tensor (matrix) matrix tensor from a multidimensional array.
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('shape:', a.shape);
a.print();
// Or you can create a tensor from a flat array and specify a shape.
const shape = [2, 2];
const b = tf.tensor([1, 2, 3, 4], shape);
console.log('shape:', b.shape);
b.print();
По умолчанию tf.Tensor s будет иметь float32 dtype. tf.Tensor s также могут быть созданы с типами bool, int32, complex64 и string:
const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
console.log('shape:', a.shape);
console.log('dtype', a.dtype);
a.print();
TensorFlow.js также предоставляет набор удобных методов для создания случайных тензоров, тензоров, заполненных определенным значением, тензоров из HTMLImageElement и многих других, которые вы можете найти здесь .
Изменение формы тензора
Количество элементов в tf.Tensor является произведением размеров его формы. Поскольку часто может быть несколько фигур одинакового размера, часто полезно иметь возможность изменить форму tf.Tensor на другую форму того же размера. Этого можно добиться с помощью метода reshape() :
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('a shape:', a.shape);
a.print();
const b = a.reshape([4, 1]);
console.log('b shape:', b.shape);
b.print();
Получение значений из тензора
Вы также можете получить значения из tf.Tensor , используя Tensor.array() или Tensor.data() :
const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
a.array().then(array => console.log(array));
// Returns the flattened data that backs the tensor.
a.data().then(data => console.log(data));
Мы также предоставляем синхронные версии этих методов, которые проще в использовании, но вызывают проблемы с производительностью в вашем приложении. Вы всегда должны отдавать предпочтение асинхронным методам в производственных приложениях.
const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
console.log(a.arraySync());
// Returns the flattened data that backs the tensor.
console.log(a.dataSync());
Операции
В то время как тензоры позволяют вам хранить данные, операции (ops) позволяют вам манипулировать этими данными. TensorFlow.js также предоставляет широкий спектр операций, подходящих для линейной алгебры и машинного обучения, которые можно выполнять с тензорами.
Пример: вычисление x 2 всех элементов в tf.Tensor :
const x = tf.tensor([1, 2, 3, 4]);
const y = x.square(); // equivalent to tf.square(x)
y.print();
Пример: добавление элементов двух tf.Tensor поэлементно:
const a = tf.tensor([1, 2, 3, 4]);
const b = tf.tensor([10, 20, 30, 40]);
const y = a.add(b); // equivalent to tf.add(a, b)
y.print();
Поскольку тензоры неизменяемы, эти операции не меняют своих значений. Вместо этого ops return всегда возвращает новые tf.Tensor s.
Список поддерживаемых TensorFlow.js операций можно найти здесь .
Память
При использовании бэкэнда WebGL память tf.Tensor должна управляться явно ( недостаточно позволить tf.Tensor выйти из области видимости, чтобы его память была освобождена).
Чтобы уничтожить память tf.Tensor, вы можете использовать метод dispose( dispose() или tf.dispose() :
const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // Equivalent to tf.dispose(a)
Очень часто в приложении несколько операций объединяются в цепочку. Сохранение ссылок на все промежуточные переменные для их удаления может снизить читаемость кода. Чтобы решить эту проблему, TensorFlow.js предоставляет метод tf.tidy() , который очищает все tf.Tensor , которые не возвращаются функцией после ее выполнения, аналогично тому, как очищаются локальные переменные при выполнении функции:
const a = tf.tensor([[1, 2], [3, 4]]);
const y = tf.tidy(() => {
const result = a.square().log().neg();
return result;
});
В этом примере результат square() и log() будет автоматически удален. Результат neg() не будет удален, так как это возвращаемое значение tf.tidy().
Вы также можете получить количество тензоров, отслеживаемых TensorFlow.js:
console.log(tf.memory());
Объект, напечатанный tf.memory() , будет содержать информацию о том, сколько памяти выделено в данный момент. Дополнительную информацию можно найти здесь .