使用 TensorFlow.js，不僅可以在瀏覽器中運(yùn)行機(jī)器學(xué)習(xí)模型來執(zhí)行推理，還可以訓(xùn)練它們。在本教程中，將向您展示一個(gè)基本的 “Hello World” 示例，通過該實(shí)例開啟我們的全新旅程。

讓我們從一個(gè)最簡單的網(wǎng)頁開始：

完成后，需要做的第一件事是添加對 TensorFlow.js 的引用，以便我們可以在瀏覽器環(huán)境中使用 TensorFlow API。為方便起見，可以從 CDN 上獲取 JS 文件：

在寫這篇文章時(shí)使用的 TensorFlow.js 版本是 0.11.2。如果想獲取最新版本，我們可以從 GitHub 查看。

現(xiàn)在我們已經(jīng)成功加載了 TensorFlow.js，讓我們用它做一些有趣的事情吧！

現(xiàn)在有一條公式為 Y = 2X-1 的直線。并提供你一組點(diǎn)，如（-1，-3），（0，-1），（1,1），（2,3），（3,5）和（4,7）。雖然通過公式我們可以得出給定 X 的 Y 值，我們是否可以通過機(jī)械學(xué)習(xí)模型推導(dǎo)出 Y 值呢？

首先，我們可以創(chuàng)建一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)來進(jìn)行推理。由于只有 1 個(gè)輸入值和 1 個(gè)輸出值，因此它可以是單節(jié)點(diǎn)。在 JavaScript 中，我們可以創(chuàng)建一個(gè) tf.sequential，并添加圖層定義。代碼示例如下：

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

為了完成模型定義，我們需要執(zhí)行編譯，并指定損失類型和優(yōu)化器。我們將選擇最基本的損失類型 - meanSquaredError，同時(shí)優(yōu)化器使用標(biāo)準(zhǔn)的

Stochastic Gradient Descent：

model.compile({loss: 'meanSquaredError', optimizer: 'sgd' });

為了訓(xùn)練模型，我們需要定義張量，并指定其形狀：

const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

為了訓(xùn)練模型，我們使用 fit 方法。為此，我們傳遞一組 X 和 Y 值，以及 epochs（循環(huán)數(shù)據(jù)）。請注意，這是異步（async/await）的，因此所有這些代碼都需要在異步函數(shù)中：

await model.fit(xs, ys, {epochs: 500});

一旦準(zhǔn)備就緒，模型就會(huì)被訓(xùn)練，我們就可以基于 X 值預(yù)測 Y。例如，如果我們想要找出 X = 10的 Y 值并將其寫在 Web 頁面上的

• 神經(jīng)網(wǎng)絡(luò)
  神經(jīng)網(wǎng)絡(luò)

  +關(guān)注

  關(guān)注

  42

  文章

  4820

  瀏覽量

  106306
• 瀏覽器
  瀏覽器

  +關(guān)注

  關(guān)注

  1

  文章

  1042

  瀏覽量

  36835
• 機(jī)器學(xué)習(xí)
  機(jī)器學(xué)習(xí)

  +關(guān)注

  關(guān)注

  66

  文章

  8532

  瀏覽量

  136015