Konfiguracja

Konfiguracja przeglądarki

Istnieją dwa główne sposoby na umieszczenie TensorFlow.js w projektach opartych na przeglądarce:

• Korzystanie ze znaczników skryptu .

• Instalacja z NPM i użycie narzędzia do budowania, takiego jak Parcel , WebPack lub Rollup .

Jeśli jesteś nowy w tworzeniu stron internetowych lub nigdy nie słyszałeś o narzędziach takich jak webpack lub parcel, zalecamy skorzystanie z metody tagu skryptu . Jeśli jesteś bardziej doświadczony lub chcesz pisać większe programy, warto skorzystać z narzędzi do budowania.

Użycie za pomocą tagu skryptu

Dodaj następujący tag skryptu do głównego pliku HTML.

<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
});
  

Instalacja z NPM

Aby zainstalować TensorFlow.js, można użyć narzędzia npm cli lub przędzy .

yarn add @tensorflow/tfjs

lub

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
});
  

Konfiguracja Node.js

Aby zainstalować TensorFlow.js, można użyć narzędzia npm cli lub przędzy .

Opcja 1: Zainstaluj TensorFlow.js z natywnymi powiązaniami C++.

yarn add @tensorflow/tfjs-node

lub

npm install @tensorflow/tfjs-node

Opcja 2: (tylko Linux) Jeśli twój system ma procesor graficzny NVIDIA® z obsługą CUDA , użyj pakietu GPU nawet w celu uzyskania wyższej wydajności.

yarn add @tensorflow/tfjs-node-gpu

lub

npm install @tensorflow/tfjs-node-gpu

Opcja 3: Zainstaluj czystą wersję JavaScript. Jest to najwolniejsza opcja pod względem wydajności.

yarn add @tensorflow/tfjs

lub

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}`)
  }
});
  

Maszynopis

Podczas korzystania z TypeScript może być konieczne ustawienie skipLibCheck: true w pliku tsconfig.json , jeśli twój projekt używa ścisłego sprawdzania wartości null lub podczas kompilacji wystąpią błędy.