قم بإعداد مشروع TensorFlow.js

توضح لك هذه الوثيقة كيفية تثبيت واستخدام TensorFlow.js في بيئة المتصفح وفي Node.js.

إعداد المتصفح

هناك طريقتان موصى بهما لاستخدام TensorFlow.js في مشروع قائم على المتصفح:

إذا كنت مبتدئًا في تطوير الويب، أو لم تستخدم أدوات بناء جافا سكريبت من قبل، فقد ترغب في تجربة استخدام وسم <script> أولًا. أما إذا كنت تقوم عادةً بتجميع أو معالجة موارد الويب الخاصة بك، أو كنت تخطط لكتابة تطبيقات أكبر، فيجب عليك التفكير في استخدام أدوات البناء.

استخدم علامة نصية

للحصول على TensorFlow.js باستخدام علامة البرنامج النصي، أضف ما يلي إلى ملف HTML الرئيسي الخاص بك:

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

يوضح المثال التالي كيفية تعريف وتدريب نموذج في المتصفح:

<!DOCTYPE html>
<html lang="en-US">
  <head>
    <meta charset="utf-8" />
    <title>TensorFlow.js browser example</title>

    <!-- Load TensorFlow.js from a script tag -->
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest/dist/tf.min.js"></script>
  </head>
  <body>
    <h1>TensorFlow.js example</h1>
    <h2>Open the console to see the results.</h2>
    <script>
    // Define a model for linear regression. The script tag makes `tf` available
    // as a global variable.
    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
    });
    </script>
  </body>
</html>

لتشغيل المثال، اتبع الخطوات التالية:

  1. احفظ المستند النموذجي في ملف باسم index.html .

  2. انقر نقراً مزدوجاً على ملف index.html لفتحه في متصفحك الافتراضي.

    بدلاً من ذلك، يمكنك عرض ملف index.html عن طريق تشغيل npx http-server في نفس مجلد ملف index.html . (إذا طُلب منك الإذن بتثبيت http-server ، فأدخل y ). ثم انتقل إلى http://localhost:8080 في متصفحك.

  3. افتح وحدة تحكم المتصفح لعرض مخرجات البرنامج النصي.

  4. قم بتحديث الصفحة لرؤية تنبؤ جديد (وربما مختلف).

قم بالتثبيت من NPM

لتثبيت TensorFlow.js من NPM، استخدم إما npm CLI أو yarn .

إدارة الأداء الجديدة 

npm install @tensorflow/tfjs

غزل 

yarn add @tensorflow/tfjs

يوضح المثال التالي كيفية استيراد TensorFlow.js، وتحديد نموذج، وتدريب النموذج.

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

لاستخدام TensorFlow.js في Node.js، استخدم إما npm CLI أو yarn لإكمال أحد خيارات التثبيت أدناه.

لمعرفة المزيد حول استخدام TensorFlow.js في Node.js، راجع دليل Node.js. ولمزيد من معلومات التثبيت، راجع مستودع TensorFlow.js لـ Node.js.

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

توفر وحدة tfjs-node تنفيذ TensorFlow الأصلي في تطبيقات JavaScript ضمن بيئة تشغيل Node.js، مع تسريعها بواسطة ملف TensorFlow C الثنائي.

قم بتثبيت tfjs-node :

إدارة الأداء الجديدة 

npm install @tensorflow/tfjs-node

غزل 

yarn add @tensorflow/tfjs-node

يوضح المثال التالي كيفية استيراد tfjs-node ، وتحديد نموذج، وتدريب النموذج.

// Use `tfjs-node`. Note that `tfjs` is imported indirectly by `tfjs-node`.
const tf = require('@tensorflow/tfjs-node');

// Define 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]);

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

الخيار الثاني: تثبيت TensorFlow.js لوحدة معالجة الرسومات

(لينكس فقط) إذا كان نظامك يحتوي على وحدة معالجة رسومات NVIDIA® مع دعم CUDA ، فيمكنك استخدام حزمة وحدة معالجة الرسومات لتحسين الأداء.

قم بتثبيت tfjs-node-gpu :

إدارة الأداء الجديدة 

npm install @tensorflow/tfjs-node-gpu

غزل 

yarn add @tensorflow/tfjs-node-gpu

يوضح المثال التالي كيفية استيراد tfjs-node-gpu ، وتحديد نموذج، وتدريب النموذج. 

// Use `tfjs-node-gpu`. Note that `tfjs` is imported indirectly by `tfjs-node-gpu`.
const tf = require('@tensorflow/tfjs-node-gpu');

// Define 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]);

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

الخيار الثالث: تثبيت نسخة جافا سكريبت النقية

وحدة tfjs هي نفس الحزمة التي تستخدمها في المتصفح. وهي الأبطأ بين خيارات Node.js من حيث الأداء.

قم بتثبيت tfjs :

إدارة الأداء الجديدة 

npm install @tensorflow/tfjs

غزل 

yarn add @tensorflow/tfjs

يوضح المثال التالي كيفية استيراد tfjs ، وتحديد نموذج، وتدريب النموذج. 

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

// Define 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]);

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

تايب سكريبت

إذا كنت تستخدم TensorFlow.js في مشروع TypeScript، وقمت بتمكين التحقق الصارم من القيم الفارغة، فقد تحتاج إلى تعيين skipLibCheck: true في ملف tsconfig.json لتجنب الأخطاء أثناء التجميع.