Mulai menggunakan TensorFlow.js

TensorFlow.js adalah perpustakaan JavaScript untuk melatih dan menerapkan model pembelajaran mesin di browser web dan di Node.js. Tutorial ini menunjukkan cara memulai TensorFlow.js dengan melatih model minimal di browser dan menggunakan model tersebut untuk membuat prediksi.

Kode contoh tersedia di GitHub .

Prasyarat

Untuk menyelesaikan tutorial ini, Anda perlu menginstal yang berikut ini di lingkungan pengembangan Anda:

Instal contohnya

Dapatkan kode sumber dan instal dependensi:

  1. Kloning atau unduh repositori tfjs-examples .
  2. Ubah ke direktori getting-started : cd tfjs-examples/getting-started .
  3. Instal dependensi: yarn install .

Jika Anda melihat file package.json , Anda mungkin memperhatikan bahwa TensorFlow.js bukanlah sebuah dependensi. Hal ini karena contoh ini memuat TensorFlow.js dari CDN. Berikut HTML lengkap dari index.html :

<html>
  <head>
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"> </script>
  </head>
  <body>
    <h4>Tiny TFJS example<hr/></h4>
    <div id="micro-out-div">Training...</div>
    <script src="./index.js"> </script>
  </body>
</html>

Elemen <script> di kepala memuat pustaka TensorFlow.js, dan elemen <script> di akhir isi memuat skrip pembelajaran mesin.

Untuk mengetahui cara lain mengambil ketergantungan pada TensorFlow.js, lihat tutorial penyiapan .

Jalankan contohnya

Jalankan contohnya dan lihat hasilnya:

  1. Di direktori tfjs-examples/getting-started , jalankan yarn watch .
  2. Navigasikan ke http://127.0.0.1:1234 di browser Anda.

Anda akan melihat judul halaman dan di bawahnya angka seperti 38.31612014770508 . Jumlah pastinya akan bervariasi, tetapi seharusnya mendekati 39.

Apa yang baru saja terjadi?

Saat index.js dimuat, ia akan melatih model tf.sequential menggunakan nilai $x$ dan $y$ yang memenuhi persamaan $y=2x - 1$.

// Create a simple model.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Prepare the model for training: Specify the loss and the optimizer.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Generate some synthetic data for training. (y = 2x - 1)
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

// Train the model using the data.
await model.fit(xs, ys, {epochs: 250});

Kemudian ia memprediksi nilai $y$ untuk nilai $x$ yang tidak terlihat 20 dan memperbarui DOM untuk menampilkan prediksi tersebut.

// Use the model to do inference on a data point the model hasn't seen.
// Should print approximately 39.
document.getElementById('micro-out-div').innerText =
    model.predict(tf.tensor2d([20], [1, 1])).dataSync();

Hasil dari $2*20 - 1$ adalah 39, jadi nilai prediksi $y$ seharusnya kira-kira 39.

Apa berikutnya

Tutorial ini memberikan contoh minimal penggunaan TensorFlow.js untuk melatih model di browser. Untuk pengenalan lebih mendalam tentang model pelatihan dengan JavaScript, lihat panduan TensorFlow.js .

Lebih banyak cara untuk memulai

Berikut cara lainnya untuk memulai TensorFlow.js dan web ML.

Tonton kursus ML web TensorFlow.js

Jika Anda seorang pengembang web yang mencari pengenalan praktis tentang ML web, lihat kursus video Google Developers Pembelajaran Mesin untuk Pengembang Web. Kursus ini menunjukkan cara menggunakan TensorFlow.js di situs dan aplikasi Anda.

Buka kursus ML web

Kode program ML tanpa berhubungan langsung dengan tensor

Jika Anda ingin memulai pembelajaran mesin tanpa mengelola pengoptimal atau manipulasi tensor, lihat pustaka ml5.js.

Dibangun di atas TensorFlow.js, perpustakaan ml5.js menyediakan akses ke algoritma dan model pembelajaran mesin di browser web dengan API yang ringkas dan mudah didekati.

Lihat ml5.js

Instal TensorFlow.js

Lihat cara menginstal TensorFlow.js untuk implementasi di browser web atau Node.js.

Instal TensorFlow.js

Konversikan model terlatih ke TensorFlow.js

Pelajari cara mengonversi model terlatih dari Python ke TensorFlow.js.

Model Keras Model GraphDef

Belajar dari kode TensorFlow.js yang ada

Repositori tfjs-examples menyediakan contoh implementasi kecil untuk berbagai tugas ML menggunakan TensorFlow.js.

Lihat contoh tfjs di GitHub

Visualisasikan perilaku model TensorFlow.js Anda

tfjs-vis adalah perpustakaan kecil untuk visualisasi di browser web yang dimaksudkan untuk digunakan dengan TensorFlow.js.

Lihat tfjs-vis di GitHub Lihat Demo

Siapkan data untuk diproses dengan TensorFlow.js

TensorFlow.js memiliki dukungan untuk memproses data menggunakan praktik terbaik ML.

Lihat Dokumentasi

,

TensorFlow.js adalah perpustakaan JavaScript untuk melatih dan menerapkan model pembelajaran mesin di browser web dan di Node.js. Tutorial ini menunjukkan cara memulai TensorFlow.js dengan melatih model minimal di browser dan menggunakan model tersebut untuk membuat prediksi.

Kode contoh tersedia di GitHub .

Prasyarat

Untuk menyelesaikan tutorial ini, Anda perlu menginstal yang berikut ini di lingkungan pengembangan Anda:

Instal contohnya

Dapatkan kode sumber dan instal dependensi:

  1. Kloning atau unduh repositori tfjs-examples .
  2. Ubah ke direktori getting-started : cd tfjs-examples/getting-started .
  3. Instal dependensi: yarn install .

Jika Anda melihat file package.json , Anda mungkin memperhatikan bahwa TensorFlow.js bukanlah sebuah dependensi. Hal ini karena contoh ini memuat TensorFlow.js dari CDN. Berikut HTML lengkap dari index.html :

<html>
  <head>
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"> </script>
  </head>
  <body>
    <h4>Tiny TFJS example<hr/></h4>
    <div id="micro-out-div">Training...</div>
    <script src="./index.js"> </script>
  </body>
</html>

Elemen <script> di kepala memuat pustaka TensorFlow.js, dan elemen <script> di akhir isi memuat skrip pembelajaran mesin.

Untuk mengetahui cara lain mengambil ketergantungan pada TensorFlow.js, lihat tutorial penyiapan .

Jalankan contohnya

Jalankan contohnya dan lihat hasilnya:

  1. Di direktori tfjs-examples/getting-started , jalankan yarn watch .
  2. Navigasikan ke http://127.0.0.1:1234 di browser Anda.

Anda akan melihat judul halaman dan di bawahnya angka seperti 38.31612014770508 . Jumlah pastinya akan bervariasi, tetapi seharusnya mendekati 39.

Apa yang baru saja terjadi?

Saat index.js dimuat, ia akan melatih model tf.sequential menggunakan nilai $x$ dan $y$ yang memenuhi persamaan $y=2x - 1$.

// Create a simple model.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Prepare the model for training: Specify the loss and the optimizer.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Generate some synthetic data for training. (y = 2x - 1)
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

// Train the model using the data.
await model.fit(xs, ys, {epochs: 250});

Kemudian ia memprediksi nilai $y$ untuk nilai $x$ yang tidak terlihat 20 dan memperbarui DOM untuk menampilkan prediksi tersebut.

// Use the model to do inference on a data point the model hasn't seen.
// Should print approximately 39.
document.getElementById('micro-out-div').innerText =
    model.predict(tf.tensor2d([20], [1, 1])).dataSync();

Hasil dari $2*20 - 1$ adalah 39, jadi nilai prediksi $y$ seharusnya kira-kira 39.

Apa berikutnya

Tutorial ini memberikan contoh minimal penggunaan TensorFlow.js untuk melatih model di browser. Untuk pengenalan lebih mendalam tentang model pelatihan dengan JavaScript, lihat panduan TensorFlow.js .

Lebih banyak cara untuk memulai

Berikut cara lainnya untuk memulai TensorFlow.js dan web ML.

Tonton kursus ML web TensorFlow.js

Jika Anda seorang pengembang web yang mencari pengenalan praktis tentang ML web, lihat kursus video Google Developers Pembelajaran Mesin untuk Pengembang Web. Kursus ini menunjukkan cara menggunakan TensorFlow.js di situs dan aplikasi Anda.

Buka kursus ML web

Kode program ML tanpa berhubungan langsung dengan tensor

Jika Anda ingin memulai pembelajaran mesin tanpa mengelola pengoptimal atau manipulasi tensor, lihat pustaka ml5.js.

Dibangun di atas TensorFlow.js, perpustakaan ml5.js menyediakan akses ke algoritma dan model pembelajaran mesin di browser web dengan API yang ringkas dan mudah didekati.

Lihat ml5.js

Instal TensorFlow.js

Lihat cara menginstal TensorFlow.js untuk implementasi di browser web atau Node.js.

Instal TensorFlow.js

Konversikan model terlatih ke TensorFlow.js

Pelajari cara mengonversi model terlatih dari Python ke TensorFlow.js.

Model Keras Model GraphDef

Belajar dari kode TensorFlow.js yang ada

Repositori tfjs-examples menyediakan contoh implementasi kecil untuk berbagai tugas ML menggunakan TensorFlow.js.

Lihat contoh tfjs di GitHub

Visualisasikan perilaku model TensorFlow.js Anda

tfjs-vis adalah perpustakaan kecil untuk visualisasi di browser web yang dimaksudkan untuk digunakan dengan TensorFlow.js.

Lihat tfjs-vis di GitHub Lihat Demo

Siapkan data untuk diproses dengan TensorFlow.js

TensorFlow.js memiliki dukungan untuk memproses data menggunakan praktik terbaik ML.

Lihat Dokumentasi