Preparar

Configuración del navegador

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

• Usandoetiquetas de secuencia de comandos .

• Instalación desde NPM y usando 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 script

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: Instale 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 , utilice el paquete de GPU incluso para obtener un mayor rendimiento.

yarn add @tensorflow/tfjs-node-gpu

o

npm install @tensorflow/tfjs-node-gpu

Opción 3: instale la versión pura de JavaScript. Esta es la opción más lenta en cuanto al 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

Al usar TypeScript, es posible que deba establecer skipLibCheck: true en su archivo tsconfig.json si su proyecto utiliza una comprobación nula estricta o se encontrará con errores durante la compilación.