Configuration

Configuration du navigateur

Il existe deux manières principales d'obtenir TensorFlow.js dans vos projets basés sur un navigateur :

• Utilisation des balises de script .

• Installation à partir de NPM et à l'aide d'un outil de génération tel que Parcel , WebPack ou Rollup .

Si vous débutez dans le développement Web ou si vous n'avez jamais entendu parler d'outils tels que Webpack ou Colis, nous vous recommandons d'utiliser l'approche des balises de script . Si vous êtes plus expérimenté ou si vous souhaitez écrire des programmes plus volumineux, il peut être intéressant d'explorer l'utilisation d'outils de construction.

Utilisation via la balise de script

Ajoutez la balise de script suivante à votre fichier HTML principal.

<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
});
  

Installation à partir de NPM

Vous pouvez utiliser l'outil npm cli ou yarn pour installer TensorFlow.js.

yarn add @tensorflow/tfjs

ou

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
});
  

Configuration de Node.js

Vous pouvez utiliser l'outil npm cli ou yarn pour installer TensorFlow.js.

Option 1 : installez TensorFlow.js avec des liaisons C++ natives.

yarn add @tensorflow/tfjs-node

ou

npm install @tensorflow/tfjs-node

Option 2 : (Linux uniquement) Si votre système dispose d'un GPU NVIDIA® avec prise en charge de CUDA , utilisez le package GPU même pour des performances supérieures.

yarn add @tensorflow/tfjs-node-gpu

ou

npm install @tensorflow/tfjs-node-gpu

Option 3 : installez la version JavaScript pure. C'est l'option la plus lente en termes de performances.

yarn add @tensorflow/tfjs

ou

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}`)
  }
});
  

Manuscrit

Lorsque vous utilisez TypeScript, vous devrez peut-être définir skipLibCheck: true dans votre fichier tsconfig.json si votre projet utilise une vérification NULL stricte ou si vous rencontrez des erreurs lors de la compilation.