TensorFlow官方团队近日发布多个重大更新，其中包括：为python开发者提供的，可以立即评估操作并且无需额外图形构建步骤的eager execution；可以促进机器学习模型可重用部分的发布、发现和使用的TensorFlow Hub；针对移动和嵌入式设备的轻量级解决方案TensorFlow Lite；Swift的TensorFlow开源；面向JavaScript开发者的新机器学习框架TensorFlow.js！
介绍
TensorFlow.js是为JavaScript开发者准备的开源库，可以使用JavaScript和高级图层API完全在浏览器中定义，训练和运行机器学习模型！如果你是一名机器学习新手，那么TensorFlow.js是开始学习的好方法。
浏览器内的机器学习
在浏览器中完全由客户端运行的机器学习程序将会解锁新的机会，如交互式机器学习！例如下方链接中的吃豆人游戏。
https://github.com/tensorflow/tfjs-examples
使用神经网络将你的摄像头变成PAC-MAN的控制器
如果你想尝试其他游戏，可以使用手机上的浏览器玩Emoji Scavenger Hunt。
https://emojiscavengerhunt.withgoogle.com/
项目：https://github.com/google/emoji-scavenger-hunt
从用户的角度来看，在浏览器中运行的ML意味着不需要安装任何库或驱动程序。只需打开网页，你的程序就可以运行了。此外，它已准备好使用GPU加速运行。TensorFlow.js自动支持WebGL，并在GPU可用时会加速代码。用户也可以通过移动设备打开你的网页，在这种情况下，模型可以利用传感器数据，例如陀螺仪或加速度传感器。最后，所有数据都保留在客户端上，使得TensorFlow.js可用于低延迟推理以及隐私保护程序。
你可以用TensorFlow.js做什么？
如果使用TensorFlow.js进行开发，可以考虑以下三种工作流程。
- 你可以导入现有的预训练的模型进行推理。如果你有一个现成的TensorFlow或Keras模型，则可以将其转换为TensorFlow.js格式，并将其加载到浏览器中进行推理。
- 你可以导入的模型进行再训练。就像上面的吃豆人演示一样，你可以使用迁移学习来增强现有预训练好的离线模型（使用在浏览器中收集的少量数据），使用的技术称为图像再训练（Image Retraining）。这是只使用少量数据，快速训练准确模型的一种方法。
- 直接在浏览器中创作模型。你还可以使用TensorFlow.js，完全在浏览器中使用Javascript和高级层API定义，训练和运行模型。如果你熟悉Keras，那么高级层API应该也会很熟悉。
让我们看看代码
如果你愿意，可以直接到示例或教程开始。
示例：https://github.com/tensorflow/tfjs-examples
教程：http://js.tensorflow.org/
以下内容展示了如何在浏览器中导出用Python定义的模型进行推理，以及如何完全用Javascript定义和训练模型。这是定义一个神经网络来对花朵进行分类的代码片段，就像在TensorFlow.org的入门指南中一样（也就是说分类鸢尾花）。在这里我使用一堆层定义一个模型。
1 | import * as tffrom ‘@tensorflow/tfjs’; |
2 | const model= tf.sequential(); |
3 | model.add(tf.layers.dense({inputShape: [4], units:100})); |
4 | model.add(tf.layers.dense({units:4})); |
5 | model.compile({loss: ‘categoricalCrossentropy’, optimizer: ‘sgd’}); |
我们在此使用的层API支持在示例目录中能找到的所有Keras层（包括Dense，CNN，LSTM等）。然后，我们可以使用与方法调用相同的 Keras-compatible API来训练我们的模型：
1 | await model.fit( |
2 | xData, yData, { |
3 | batchSize: batchSize, |
4 | epochs: epochs |
5 | }); |
这个模型现在可以用来做预测了:
01 | // Get measurementsfor a new flower to generate a prediction |
02 | // The first argumentis the data,and the secondis the shape. |
03 | const inputData= tf.tensor2d([[4.8,3.0,1.4,0.1]], [1,4]); |
04 |
05 | // Get the highest confidence predictionfrom our model |
06 | const result= model.predict(inputData); |
07 | const winner= irisClasses[result.argMax().dataSync()[0]]; |
08 |
09 | // Display the winner |
10 | console.log(winner); |
TensorFlow.js还包含底层API（以前称为deeplearn.js）并支持Eager execution。
TensorFlow.js API
TensorFlow.js如何与deeplearn.js关联？
TensorFlow.js属于JavaScript生态系统，实现其进行机器学习的工具，继承自deeplearn.js（即TensorFlow.js Core）。TensorFlow.js还包含一个Layers API，它是使用Core构建机器学习模型的高级库，并且也是用于自动移植TensorFlow SavedModels和Keras hdf5模型的工具。
本文为编译作品，转载请注明出处。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
