Configuración

Configuración del navegador

Hay dos formas principales de obtener TensorFlow.js en sus proyectos basados ​​en navegador:

• Uso de etiquetas de script .

• Instalación desde NPM y uso de una herramienta de compilación como Parcel , WebPack o Rollup .

Si es nuevo en el desarrollo web o nunca ha oído hablar de herramientas como paquete web o paquete, le recomendamos que utilice el enfoque de etiqueta de secuencia de comandos . Si tiene más experiencia o desea escribir programas más grandes, podría valer la pena explorar el uso de herramientas de compilación.

Uso mediante etiqueta de secuencia de comandos

Agregue la siguiente etiqueta de secuencia de comandos a su archivo 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
});
  

Instalación desde NPM

Puede usar la herramienta npm cli o yarn para instalar TensorFlow.js.

yarn add @tensorflow/tfjs

o

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
});
  

Configuración de Node.js

Puede usar la herramienta npm cli o yarn para instalar TensorFlow.js.

Opción 1: instalar TensorFlow.js con enlaces nativos de C++.

yarn add @tensorflow/tfjs-node

o

npm install @tensorflow/tfjs-node

Opción 2: (Solo Linux) Si su sistema tiene una GPU NVIDIA® compatible con CUDA , use el paquete GPU incluso para obtener un mayor rendimiento.

yarn add @tensorflow/tfjs-node-gpu

o

npm install @tensorflow/tfjs-node-gpu

Opción 3: Instalar la versión de JavaScript puro. Esta es la opción más lenta en cuanto a rendimiento.

yarn add @tensorflow/tfjs

o

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}`)
  }
});
  

Mecanografiado

Cuando use TypeScript, es posible que deba configurar skipLibCheck: true en su archivo tsconfig.json si su proyecto utiliza una verificación estricta de nulos o se encontrará con errores durante la compilación.