前言：
眼前朋友们对“js获取model”大约比较关注，看官们都需要剖析一些“js获取model”的相关资讯。那么小编同时在网上收集了一些关于“js获取model””的相关文章，希望大家能喜欢，同学们快快来了解一下吧！越来越多的开发者在他们的机器学习工程中使用TensorFlow。今年3月，Google的TensorFlow团队发布等待多时的JavaScript框架，TensorFlow.js(之前也叫做DeepLearn.js)
从TensorFlow开始
在介绍TensorFlow.js之前，我想先从TensorFlow开始。
TensorFlow在2011年开发于Google作为i他们的机器学习/深度学习app的API lib。这个API lib于2015年在Apache协议下开源。
TensorFlow由C++编写，这使得代码能够在底层运行。TensorFlow已同其他语言邦定在一起，如Python，R，Java。从而这些语言也能够作为TensorFlow的调用接口。
那么问题来了：关于JavaScript我们知道些什么呢？
在JavaScript中，ML/DL通过使用API接口来调用。使用这些框架来生成一个API，并在服务器上部署模型。客户端使用JavaScript发送一个请求从服务器中获取回复。
客户端服务器架构
在2017年，一个叫做DeepLearning.js的工程诞生了，旨在没有API的反烦扰下在JavaScript中推动ML/DL的发展。
但是有出现了速度的问题。都知道JS代码不能运行在GPU上。为了解决这个问题，引进WebGL。这是一个OpenGL的浏览器接口。WebGl能够在GPU上执行JS代码。
在2018年3月，DeepLearn.js团队与TensorFlow团队合并，重命名为TensorFlow.js。
TensorFlow.js
TensorFlow.js提供两样东西：
CoreAPI，来处理底层代码在CoreAPI之上编写的LayerAPI，通过增加层级的抽象性使coding更容易。两种方法引入TensorFlow.js
在你的项目中有两种方法引入TensorFlow.js
1. 通过<script>标签
添加下列代码到一个HTML文件：
<html> <head> <!-- Load TensorFlow.js --> <script src=""> </script> </head><body> Hello </body></html>
2. 通过NPM
使用yarn或者NPM把TensorFlow.js添加到你的项目。
yarn add @tensorflow/tfjsnpm install @tensorflow/tfjs
在你的主js文件：
import * as tf from '@tensorflow/tfjs';核心API
1. 张量（Tensors）
所以，什么是张量?
标量是单个数。例如，x = 1 矢量是一组数字。例如,x =[1,2] 矩阵是一个二维数组 ([[1, 2], [3, 4], [5, 6]])张量是一个n维数组，n>2
TensorFlow.js具有用于标量、一维、二维、三维和四维张量等常见情况的实用函数，以及一些用于初始化张量的函数，这些函数对机器学习非常有用。
代码示例
tf.tensor():
// Pass an array of values to create a vector.tf.tensor([1, 2, 3, 4]).print();
tf.scalar():
tf.scalar(3.14).print();
2.变量 & 运算
张量是一种不能被改变的数据结构。这意味着一旦设置好它们的值就无法更改。
但是，TensorFlow.js中引入了tf.variable()。它的真正用例是当我们需要频繁更改数据时，例如在机器学习中调整模型权重时。
代码示例:
const x = tf.variable(tf.tensor([1, 2, 3]));x.assign(tf.tensor([4, 5, 6]));x.print();
运算
在TensorFlow.js中有各种各样的运算。为了对张量进行数学计算，我们使用运算。张量是不可变的，因此所有运算总是会返回新的张量，而从不修改输入的张量。在这我们可以使用tf.variable()来节省内存。
让我们来看看一些运算:
tf.add()——按元素添加两个tf张量
const a = tf.tensor1d([1, 2, 3, 4]);const b = tf.tensor1d([10, 20, 30, 40]);a.add(b).print(); // or tf.add(a, b)
在TensorFlow.js中还有很多其他运算。你可以查看文档来了解它们。我将在这里演示另一个操作：tf.matmul()
tf.matmul() ——计算矩阵A * B的点积。
const a = tf.tensor2d([1, 2], [1, 2]);const b = tf.tensor2d([1, 2, 3, 4], [2, 2]);a.matMul(b).print(); // or tf.matMul(a, b)
观看下面的视频来深入了解变量和操作:
3. 内存管理
内存管理是机器学习/深度学习任务的关键，因为它们通常需要消耗大量计算资源。
TensorFlow.js提供了两种主要的内存管理方法:
tf.dispose()tf.tidy()
它们用不同的方式做着差不多同样的事情。
tf.tidy()
它执行所提供的函数fn，在执行函数fn之后，清除fn分配的所有中间张量(fn返回的张量除外)。
tf.tidy() 有助于避免内存泄漏。通常， tf.tidy() 中包装了对运算的调用，以实现自动内存清理。
代码示例：
const y = tf.tidy(() => { // aa, b, and two will be cleaned up when the tidy ends. const two= tf.scalar(2); const aa = tf.scalar(2); const b = aa.square(); console.log('numTensors (in tidy): ' + tf.memory().numTensors); // The value returned inside the tidy function will return // through the tidy, in this case to the variable y. return b.add(two);});console.log('numTensors (outside tidy): ' + tf.memory().numTensors);y.print();tf.dispose()
处理在对象中找到的任何tf.Tensors张量。
代码示例:
const two= tf.scalar(2);two.dispose()
LayersAPI
层是构建ML/DL模型时的主要成分。每个层通常会执行一些计算，将输入转换为输出。每一层都使用Tensorflow.js的CoreAPI。
层将自动创建和初始化它们需要的各种内部变量/权重。因此它基本上通过增加抽象级别来使生活变得更容易。
我们将使用LayerAPI制作一个简单的前馈网络示例。我们将构建的前馈网络如下：
图是我自己的
代码:
Index.html
<html><head><title></title><script src=”"> </script><script src=”main.js” type=”text/javascript”></script></head><body>Tensorflow JS Demo</body></html>
main.js
const model = tf.sequential();//config for layerconst config_hidden = { inputShape:[3], activation:'sigmoid', units:4}const config_output={ units:2, activation:'sigmoid'}//defining the hidden and output layerconst hidden = tf.layers.dense(config_hidden);const output = tf.layers.dense(config_output);//adding layers to modelmodel.add(hidden);model.add(output);//define an optimizerconst optimize=tf.train.sgd(0.1);//config for modelconst config={optimizer:optimize,loss:'meanSquaredError'}//compiling the modelmodel.compile(config);console.log('Model Successfully Compiled');//Dummy training dataconst x_train = tf.tensor([ [0.1,0.5,0.1], [0.9,0.3,0.4], [0.4,0.5,0.5], [0.7,0.1,0.9]])//Dummy training labelsconst y_train = tf.tensor([ [0.2,0.8], [0.9,0.10], [0.4,0.6], [0.5,0.5]])//Dummy testing dataconst x_test = tf.tensor([ [0.9,0.1,0.5]])train_data().then(function(){ console.log('Training is Complete'); console.log('Predictions :'); model.predict(x_test).print();})async function train_data(){ for(let i=0;i<10;i++){ const res = await model.fit(x_train,y_train,epoch=1000,batch_size=10); console.log(res.history.loss[0]); }}Output:
领取阿里云¥1888元限时红包
标签： #js获取model
