برپایی

راه اندازی مرورگر

دو راه اصلی برای دریافت TensorFlow.js در پروژه های مبتنی بر مرورگر شما وجود دارد:

• استفاده از تگ های اسکریپت

• نصب از NPM و با استفاده از ابزار ساخت مانند Parcel ، WebPack یا Rollup .

اگر در زمینه توسعه وب تازه کار هستید یا هرگز در مورد ابزارهایی مانند بسته وب یا بسته نشنیده اید، توصیه می کنیم از رویکرد برچسب اسکریپت استفاده کنید . اگر باتجربه‌تر هستید یا می‌خواهید برنامه‌های بزرگ‌تری بنویسید، ممکن است ارزشمند باشد که با استفاده از ابزارهای ساخت کاوش کنید.

استفاده از طریق برچسب اسکریپت

تگ اسکریپت زیر را به فایل HTML اصلی خود اضافه کنید.

<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
});
  

نصب از NPM

می توانید از ابزار npm cli یا yarn برای نصب TensorFlow.js استفاده کنید.

yarn add @tensorflow/tfjs

یا

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
});
  

تنظیم Node.js

می توانید از ابزار npm cli یا yarn برای نصب TensorFlow.js استفاده کنید.

گزینه 1: TensorFlow.js را با اتصالات C++ بومی نصب کنید.

yarn add @tensorflow/tfjs-node

یا

npm install @tensorflow/tfjs-node

گزینه 2: (فقط لینوکس) اگر سیستم شما دارای پردازنده گرافیکی NVIDIA® با پشتیبانی از CUDA است، از بسته گرافیکی حتی برای عملکرد بالاتر استفاده کنید.

yarn add @tensorflow/tfjs-node-gpu

یا

npm install @tensorflow/tfjs-node-gpu

گزینه 3: نسخه خالص جاوا اسکریپت را نصب کنید. این کندترین گزینه از نظر عملکرد است.

yarn add @tensorflow/tfjs

یا

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}`)
  }
});
  

TypeScript

هنگام استفاده از TypeScript، ممکن است لازم باشد skipLibCheck: true را در فایل tsconfig.json خود تنظیم کنید، اگر پروژه شما از بررسی دقیق تهی استفاده می کند یا در حین کامپایل با خطا مواجه می شوید.