Questa pagina è stata tradotta dall'API Cloud Translation.

Inizia con TensorFlow.js

TensorFlow.js è una libreria JavaScript per l'addestramento e la distribuzione di modelli di machine learning nel browser Web e in Node.js. Questo tutorial mostra come iniziare con TensorFlow.js addestrando un modello minimo nel browser e utilizzando il modello per fare una previsione.

Il codice di esempio è disponibile su GitHub .

Prerequisiti

Per completare questo tutorial, devi aver installato quanto segue nel tuo ambiente di sviluppo:

Node.js ( scarica )
Filato ( installare )

Installa l'esempio

Ottieni il codice sorgente e installa le dipendenze:

Clona o scarica il repository tfjs-examples .
Passare alla directory getting-started : cd tfjs-examples/getting-started .
Installare le dipendenze: yarn install .

Se guardi il file package.json , potresti notare che TensorFlow.js non è una dipendenza. Questo perché l'esempio carica TensorFlow.js da un CDN. Ecco l'HTML completo da 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>

L'elemento <script> nella testa carica la libreria TensorFlow.js e l'elemento <script> alla fine del corpo carica lo script di machine learning.

Per altri modi per assumere una dipendenza da TensorFlow.js, consulta il tutorial di configurazione .

Eseguire l'esempio

Esegui l'esempio e controlla i risultati:

Nella tfjs-examples/getting-started , esegui yarn watch .
Passare a http://127.0.0.1:1234 nel browser.

Dovresti vedere un titolo di pagina e sotto un numero come 38.31612014770508 . Il numero esatto varierà, ma dovrebbe essere vicino a 39.

Cosa è appena successo?

Quando index.js viene caricato, addestra un modello tf.sequential utilizzando i valori $ x $ e $ y $ che soddisfano l'equazione $ 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});

Quindi prevede un valore $ y $ per il valore $ x $ invisibile 20 e aggiorna il DOM per visualizzare la previsione.

// 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();

Il risultato di $ 2 * 20 - 1 $ è 39, quindi il valore $ y $ previsto dovrebbe essere approssimativamente 39.

Qual è il prossimo

Questo tutorial ha fornito un esempio minimo di utilizzo di TensorFlow.js per addestrare un modello nel browser. Per un'introduzione più approfondita ai modelli di addestramento con JavaScript, consulta la guida TensorFlow.js .

Altri modi per iniziare

Ecco altri modi per iniziare con TensorFlow.js e web ML.

Guarda il corso Web ML di TensorFlow.js

Se sei uno sviluppatore web alla ricerca di un'introduzione pratica al web ML, dai un'occhiata al corso video di Google Developers Machine Learning for Web Developers. Il corso mostra come utilizzare TensorFlow.js nei tuoi siti Web e applicazioni.

Vai al corso Web ML

Codifica i programmi ML senza trattare direttamente con i tensori

Se vuoi iniziare con l'apprendimento automatico senza gestire gli ottimizzatori o la manipolazione del tensore, dai un'occhiata alla libreria ml5.js.

Basata su TensorFlow.js, la libreria ml5.js fornisce l'accesso agli algoritmi e ai modelli di machine learning nel browser Web con un'API concisa e accessibile.

Dai un'occhiata a ml5.js