الإعداد

إعداد المستعرض

هناك طريقتان رئيسيتان للحصول على TensorFlow.js في المشاريع القائمة على المتصفح:

• استخدام علامات البرنامج النصي .

• التثبيت من NPM واستخدام أداة بناء مثل Parcel أو WebPack أو Rollup .

إذا كنت جديدًا في مجال تطوير الويب ، أو لم تسمع من قبل عن أدوات مثل حزمة الويب أو الحزمة ، فإننا نوصيك باستخدام منهج علامة البرنامج النصي . إذا كنت أكثر خبرة أو ترغب في كتابة برامج أكبر ، فقد يكون من المفيد استكشافها باستخدام أدوات البناء.

الاستخدام عبر علامة البرنامج النصي

أضف علامة البرنامج النصي التالية إلى ملف HTML الرئيسي الخاص بك.

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js"></script>

// Define a model for linear regression.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

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, {epochs: 10}).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();
  // Open the browser devtools to see the output
});
  

التثبيت من NPM

يمكنك استخدام أداة npm cli أو الغزل لتثبيت TensorFlow.js.

yarn add @tensorflow/tfjs

أو

npm install @tensorflow/tfjs

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]}));

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, {epochs: 10}).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();
  // Open the browser devtools to see the output
});
  

إعداد Node.js

يمكنك استخدام أداة npm cli أو الغزل لتثبيت TensorFlow.js.

الخيار 1: تثبيت TensorFlow.js باستخدام روابط C ++ الأصلية.

yarn add @tensorflow/tfjs-node

أو

npm install @tensorflow/tfjs-node

الخيار 2: (Linux فقط) إذا كان نظامك يحتوي على NVIDIA® GPU مع دعم CUDA ، فاستخدم حزمة GPU حتى للحصول على أداء أعلى.

yarn add @tensorflow/tfjs-node-gpu

أو

npm install @tensorflow/tfjs-node-gpu

الخيار 3: تثبيت إصدار JavaScript خالص. هذا هو أبطأ أداء الخيار الحكمة.

yarn add @tensorflow/tfjs

أو

npm install @tensorflow/tfjs

const tf = require('@tensorflow/tfjs');

// Optional Load the binding:
// Use '@tensorflow/tfjs-node-gpu' if running with GPU.
require('@tensorflow/tfjs-node');

// Train a simple model:
const model = tf.sequential();
model.add(tf.layers.dense({units: 100, activation: 'relu', inputShape: [10]}));
model.add(tf.layers.dense({units: 1, activation: 'linear'}));
model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

const xs = tf.randomNormal([100, 10]);
const ys = tf.randomNormal([100, 1]);

model.fit(xs, ys, {
  epochs: 100,
  callbacks: {
    onEpochEnd: (epoch, log) => console.log(`Epoch ${epoch}: loss = ${log.loss}`)
  }
});
  

تيبسكريبت

عند استخدام TypeScript ، قد تحتاج إلى تعيين skipLibCheck: true في ملف tsconfig.json إذا كان مشروعك يستخدم التحقق الصارم من القيم الفارغة أو ستواجه أخطاء أثناء التجميع.