Configuración del navegador
Hay dos formas principales de obtener TensorFlow.js en sus proyectos basados en navegador:
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>
Ver ejemplo de código para la configuración de la etiqueta de secuencia de comandos
// 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
Ver código de muestra para la instalación a través de NPM
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
Ver código de muestra para el uso de Node.js
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.