前言：
目前大家对“js封装库”大体比较注意，兄弟们都想要学习一些“js封装库”的相关资讯。那么小编在网上汇集了一些对于“js封装库””的相关资讯，希望同学们能喜欢，同学们一起来学习一下吧！浏览器中的机器学习：使用预训练模型
在上一篇文章《浏览器中的手写数字识别》中，讲到在浏览器中训练出一个卷积神经网络模型，用来识别手写数字。值得注意的是，这个训练过程是在浏览器中完成的，使用的是客户端的资源。
虽然TensorFlow.js的愿景是机器学习无处不在，即使是在手机、嵌入式设备上，只要运行有浏览器，都可以训练人工智能模型，但是考虑到手机、嵌入式设备有限的计算能力（虽然手机性能不断飞跃），复杂的人工智能模型还是交给更为强大的服务器来训练比较合适。况且目前主流的机器学习采用的是python语言，要让广大机器学习工程师从python转向js，估计大家也不会答应。
如果是这样的话，那TensorFlow.js推出还有何意义呢？
这个问题其实和TensorFlow Lite类似，我们可以在服务器端训练，在手机上使用训练出的模型进行推导，通常推导并不需要那么强大的计算能力。
在本文，我们将探索如何在TensorFlow.js中加载预训练的机器学习模型，完成图片分类任务。
在TensorFlow官网，访问 这个网址，可以看到里面有实时姿态预测模型、目标检测模型、语音识别模型、分类模型等等：
这里我们选择MobileNets模型。MobileNets是一种小型、低延迟、低耗能模型，满足各种资源受限的使用场景，可用于分类、检测、嵌入和分割，功能上类似于其他流行的大型模型（如Inception）。 MobileNets在延迟、大小和准确性之间取得了平衡。
有两种使用MobileNets模型的方案：
直接调用MobileNets模型的JS封装库自己编写代码加载json格式的MobileNets模型
直接调用MobileNets模型的JS封装库
JS封装库直接将MobileNets模型封装为JS对象，我们就像调用普通的JS对象那样，调用对象方法，完成模型加载、推断。
比如访问 github.com/tensorflow/… ，我们可以看到该mobilenet对象提供两个主要的API：
mobilenet.load( version?: 1, alpha?: 0.25 | .50 | .75 | 1.0)复制代码
参数：
版本：MobileNet版本号。1表示MobileNet V1，2表示使用MobileNet V2。默认值为1。alpha：较小的alpha会降低精度，但会提高性能。默认值为1.0。
model.classify( img: tf.Tensor3D | ImageData | HTMLImageElement | HTMLCanvasElement | HTMLVideoElement, topk?: number)复制代码
参数：
img：进行分类的Tensor或image元素。topk：要返回多少个Top概率。默认值为3。
借助于封装的JS库，在浏览器中使用MobileNets就相当简单了：
<html> <head> <script src=""> </script> <script src=""> </script> </head> <body> <img id="img" src="cat.jpg"></img> <script> const img = document.getElementById('img'); // Load the model. mobilenet.load().then(model => { // Classify the image. model.classify(img).then(predictions => { console.log('Predictions: '); console.log(predictions); }); }); </script> </body></html>复制代码注意： 这里的js代码会去google storage 加载MobileNets的JSON格式模型，而由于一些不能说的原因，国内无法访问到，请自行翻墙。
这个示例写的比较简单，从浏览器控制台输出log，显示结果，在chrome浏览器中可以打开开发者工具查看：
加载json格式的MobileNets模型
使用封装好的JS对象确实方便，但使用自己训练的模型时，并没有人为我们提供封装对象。这个时候我们就要考虑自行加载模型，并进行推断。在JS世界，JSON是使用得非常普遍的数据交换格式。TensorFlow.js也采用JSON作为模型格式，也提供了工具进行转换。
本来这里想详细写一下如何加载json格式的MobileNets模型，但由于MobileNets的JS模型托管在Google服务器上，国内无法访问，所以这里先跳过这一步。在下一篇文章中我将说明如何从现有的TensorFlow模型转换为TensorFlow.js模型，并加载之，敬请关注！
以上示例有完整的代码，点击阅读原文，跳转到我在github上建的示例代码。 另外，你也可以在浏览器中直接访问：ilego.club/ai/index.ht… ，直接体验浏览器中的机器学习。
参考文献：
tensorflow官网
你还可以读
一步步提高手写数字的识别率(1)(2)(3)TensorFlow.js简介浏览器中的手写数字识别
标签： #js封装库
