開始使用 TensorFlow.js

TensorFlow.js 是一個用於在 Web 瀏覽器和 Node.js 中訓練及部署機器學習模型的 JavaScript 庫。本教程將透過在瀏覽器中訓練一個極簡模型並利用該模型進行預測，向您展示如何開始使用 TensorFlow.js。

示例程式碼可在 GitHub 上找到。

先決條件

要完成本教程，您的開發環境需要安裝以下內容：

安裝示例

獲取原始碼並安裝依賴項

  1. 克隆或下載 tfjs-examples 倉庫。
  2. 進入 getting-started 目錄：cd tfjs-examples/getting-started。
  3. 安裝依賴項：yarn install。

如果您檢視 package.json 檔案，可能會注意到 TensorFlow.js 並不是一個依賴項。這是因為該示例透過 CDN 載入 TensorFlow.js。以下是來自 index.html 的完整 HTML 程式碼。

<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>

位於 head 中的 <script> 元素載入了 TensorFlow.js 庫，而位於 body 末尾的 <script> 元素則載入了機器學習指令碼。

關於引入 TensorFlow.js 的其他方式，請參閱設定教程。

執行示例

執行示例並檢視結果

  1. 在 tfjs-examples/getting-started 目錄中，執行 yarn watch。
  2. 在瀏覽器中導航至 http://127.0.0.1:1234。

您應該會看到一個頁面標題，下方顯示一個數字，如 38.31612014770508。具體數字會有所波動，但應接近 39。

剛剛發生了什麼？

當 index.js 被載入時，它會使用滿足方程 $ y = 2x - 1 $ 的 $ x $ 和 $ y $ 值來訓練一個 tf.sequential 模型。

// 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});

然後，它會針對未見的 $ x $ 值 20 預測出一個 $ y $ 值，並更新 DOM 以顯示該預測結果。

// 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();

$ 2 * 20 - 1 $ 的結果是 39，因此預測出的 $ y $ 值應該大約為 39。

接下來做什麼

本教程提供了一個使用 TensorFlow.js 在瀏覽器中訓練模型的極簡示例。如需更深入地瞭解如何使用 JavaScript 訓練模型，請參閱 TensorFlow.js 指南。

更多入門方式

以下是開始使用 TensorFlow.js 和 Web ML 的更多途徑。

觀看 TensorFlow.js Web ML 課程

如果您是一位希望獲得 Web ML 實踐介紹的 Web 開發人員，請檢視谷歌開發者影片課程“面向 Web 開發人員的機器學習”（Machine Learning for Web Developers）。該課程展示瞭如何在您的網站和應用程式中使用 TensorFlow.js。

前往 Web ML 課程

編寫機器學習程式而無需直接處理張量

如果您想在不管理最佳化器或進行張量操作的情況下開始機器學習，請檢視 ml5.js 庫。

ml5.js 庫構建於 TensorFlow.js 之上，透過簡潔、易用的 API 在 Web 瀏覽器中提供對機器學習演算法和模型的訪問。

檢視 ml5.js

安裝 TensorFlow.js

瞭解如何安裝 TensorFlow.js 以便在 Web 瀏覽器或 Node.js 中實現。

安裝 TensorFlow.js

將預訓練模型轉換為 TensorFlow.js

學習如何將預訓練模型從 Python 轉換為 TensorFlow.js。

Keras 模型 GraphDef 模型

學習現有的 TensorFlow.js 程式碼

tfjs-examples 倉庫提供了使用 TensorFlow.js 進行各種機器學習任務的小型實現示例。

在 GitHub 上檢視 tfjs-examples

視覺化您的 TensorFlow.js 模型行為

tfjs-vis 是一個旨在與 TensorFlow.js 配合使用的 Web 瀏覽器視覺化小型庫。

在 GitHub 上檢視 tfjs-vis 檢視演示

為 TensorFlow.js 處理準備資料

TensorFlow.js 支援使用機器學習最佳實踐來處理資料。

檢視文件