目录

设置TensorFlow.js

创建训练数据

检查点

定义神经网络模型

训练AI

测试结果

终点线

内存使用注意事项

下一步是什么？狗和披萨？

TensorFlow + JavaScript。现在，最流行、最先进的AI框架支持地球上使用最广泛的编程语言，因此，让我们在我们的web浏览器中通过深度学习实现奇迹，通过TensorFlow.js的WebGL GPU加速！

这是我们六个系列的第一篇文章：

  1. 使用TensorFlow.js在浏览器中进行深度学习入门
  2. 狗和披萨：使用TensorFlow.js在浏览器中实现计算机视觉
  3. 绒毛动物探测器：通过TensorFlow.js中的迁移学习识别浏览器中的自定义对象
  4. 使用TensorFlow.js进行人脸触摸检测第1部分：将实时网络摄像头数据与深度学习配合使用
  5. 使用TensorFlow.js进行人脸触摸检测第2部分：使用BodyPix
  6. 使用TensorFlow.js进行AI在网络摄像头中翻译手势和手语

在本文中，我将向您展示如何快速轻松地设置和使用TensorFlow.js训练神经网络，以便根据数据点进行预测。通过单击下载上面链接的.zip文件，您可以找到该项目的代码以及其他示例。

设置TensorFlow.js

第一步是创建一个HTML网页文件，例如index.html，并将TensorFlow.js脚本包含在<head>标记中，这将使我们可以使用tf对象使用TensorFlow 。


<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js"></script>

这是我们可以用于项目的入门模板页面，其中一部分保留给我们的代码：


<html>
    <head>
        <title>Deep Learning in Your Browser with TensorFlow.js</title>
        <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js"></script>
    </head>
    <body>
        <script>
        (async () => {
            // Your Code Goes Here
        })();
        </script>
    </body>
</html>

本文讨论的所有代码都将放置在网页的async包装器部分内。


要运行代码，请在任何现代浏览器中打开上述网页，然后启动控制台调试器日志（在大多数浏览器中按F12即可完成操作）。

async包装器将让我们使用await关键字来处理TensorFlow的异步函数，而不是一堆.then()代码链。它应该相当简单；但是，如果您想更熟悉这种模式，建议您阅读本指南。

创建训练数据

我们将复制一个XOR布尔逻辑门，该逻辑门有两个选择并检查是否选择了一个，但不能同时选择两个。

作为一个表，它看起来像这样：

A

B

输出

0

0

0

0

1

1

1

0

1

1

1

0

在代码中，我们可以将其设置为两个数字数组，一个用于我们的两个输入选择，一个用于我们的预期输出：


// XOR datac
onst data = [ [ 0, 0 ], [ 0, 1 ], [ 1, 0 ], [ 1, 1 ] ];
const output = [ [ 0 ], [ 1 ], [ 1 ], [ 0 ] ];

接下来，我们需要将值转换为数据“张量”，以将其准备用于TensorFlow。我们可以通过为每个元素创建一维张量并将它们分批成“堆栈”来实现，如下所示：


const xs = tf.stack( data.map( a =>   tf.tensor1d( a ) ) );
const ys = tf.stack( output.map( a => tf.tensor1d( a ) ) );

替代方法：如果您不熟悉此map()函数，这里有for循环版本。


const dataTensors = [];
const outputTensors = [];
for( let i = 0; i < data.length; i++ ) {
    dataTensors.push( tf.tensor1d( data[ i ] ) );
    outputTensors.push( tf.tensor1d( output[ i ] ) );
}
const xs = tf.stack( dataTensors );
const ys = tf.stack( outputTensors );

检查点


您的代码现在应类似于以下内容：


<html>
    <head>
        <title>Deep Learning in Your Browser with TensorFlow.js</title>
        <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js"></script>
    </head>
    <body>
        <script>
        (async () => {
            // XOR data
            const data = [ [ 0, 0 ], [ 0, 1 ], [ 1, 0 ], [ 1, 1 ] ];
            const output = [ [ 0 ], [ 1 ], [ 1 ], [ 0 ] ];

            const xs = tf.stack( data.map( a => tf.tensor1d( a ) ) );
            const ys = tf.stack( output.map( a => tf.tensor1d( a ) ) );
        })();
        </script>
    </body>
</html>

定义神经网络模型


现在，让我们建立网络以进行深度学习。“深度”是指我们网络的复杂性，通常定义为网络中的三个或更多“隐藏层”。让我们来建立一个。


// Define our model with several hidden layers
const model = tf.sequential();
model.add(tf.layers.dense( { units: 100, inputShape: [ 2 ] } ) );
model.add(tf.layers.dense( { units: 100, activation: 'relu' } ) );
model.add(tf.layers.dense( { units: 10, activation: 'relu' } ) );
model.add(tf.layers.dense( { units: 1 } ) );
model.summary();

我们将按顺序定义模型。为了匹配我们的数据，我们的神经网络需要采用2的输入形状和1数字的输出。


前两个隐藏层具有100个节点或单元，而第三个隐藏层具有10个节点或单元。由于relu（Rectified Linear Unit）激活函数在大多数情况下学习速度很快且表现良好，因此，这里是一个很好的默认选择。

训练AI

仅剩一步，那就是在数据上训练我们的神经网络。在TensorFlow中，这意味着我们只需编译模型并使用指定数量的迭代或``epochs''来拟合数据。


model.compile( { loss: 'meanSquaredError', optimizer: "adam", metrics: [ "acc" ] } );

// Train the model using the data.
let result = await model.fit( xs, ys, {
    epochs: 100,
    shuffle: true,
    callbacks: {
        onEpochEnd: ( epoch, logs ) => {
            console.log( "Epoch #", epoch, logs );
        }
    }
} );

就像我们在模型中为激活功能选择relu的方式一样，我们将使用适合大多数情况的内置meanSquaredError和adam（损失和优化程序）函数。


由于我们的XOR训练数据不是顺序相关的（例如，不像时间序列数据，例如天气或一段时间内的温度），因此我们希望启用shuffle选项，并且将训练100个纪元。

测试结果

终于是时候使用我们训练有素的神经网络了。我们需要做的就是使用我们的输入和数据运行模型的predict()函数，然后将其打印出来。


for( let i = 0; i < data.length; i++ ) {
    let x = data[ i ];
    let result = model.predict( tf.stack( [ tf.tensor1d( x ) ] ) );
    let prediction = await result.data();
    console.log( x[ 0 ] + " -> Expected: " + output[ i ][ 0 ] + " Predicted: " + prediction[ 0 ] );
}

培训完成后，浏览器调试器控制台将显示如下输出：


tensorflow记载h5文件_数据

终点线

这是完整的脚本代码：


<html>
    <head>
        <title>Deep Learning in Your Browser with TensorFlow.js</title>
        <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js"></script>
    </head>
    <body>
        <script>
        (async () => {
            // XOR data
            const data = [ [ 0, 0 ], [ 0, 1 ], [ 1, 0 ], [ 1, 1 ] ];
            const output = [ [ 0 ], [ 1 ], [ 1 ], [ 0 ] ];

            const xs = tf.stack( data.map( a => tf.tensor1d( a ) ) );
            const ys = tf.stack( output.map( a => tf.tensor1d( a ) ) );

            // Define our model with several hidden layers
            const model = tf.sequential();
            model.add(tf.layers.dense( { units: 100, inputShape: [ 2 ] } ) );
            model.add(tf.layers.dense( { units: 100, activation: 'relu' } ) );
            model.add(tf.layers.dense( { units: 10, activation: 'relu' } ) );
            model.add(tf.layers.dense( { units: 1 } ) );
            model.summary();

            model.compile( { loss: 'meanSquaredError', optimizer: "adam", metrics: [ "acc" ] } );

            // Train the model using the data.
            let result = await model.fit( xs, ys, {
                epochs: 100,
                shuffle: true,
                callbacks: {
                    onEpochEnd: ( epoch, logs ) => {
                        console.log( "Epoch #", epoch, logs );
                    }
                }
            } );

            for( let i = 0; i < data.length; i++ ) {
                let x = data[ i ];
                let result = model.predict( tf.stack( [ tf.tensor1d( x ) ] ) );
                let prediction = await result.data();
                console.log( x[ 0 ] + " -> Expected: " + output[ i ][ 0 ] + " Predicted: " + prediction[ 0 ] );
            }
        })();
        </script>
    </body>
</html>

内存使用注意事项


为简单起见，本教程不必担心张量的内存使用情况以及事后的处理方式。但是，这对于更大、更复杂的项目很重要。TensorFlow.js在GPU上分配张量，如果我们想防止内存泄漏，就必须自己处理它们。我们可以使用每个张量对象上的dispose()函数来做到这一点。另外，我们可以通过将代码包装在如下tf.tidy()函数中，让TensorFlow.js自动管理张量处理：


for( let i = 0; i < data.length; i++ ) {
    let x = data[ i ];
    let result = tf.tidy( () => {
        return model.predict( tf.stack( [ tf.tensor1d( x ) ] ) );
    });
    let prediction = await result.data();
    result.dispose();
    console.log( x[ 0 ] + " -> Expected: " + output[ i ][ 0 ] + " Predicted: " + prediction[ 0 ] );
}

下一步是什么？狗和披萨？


因此，您已经看到在浏览器中设置和使用TensorFlow是多么容易。不要在这里停下来，还有更多！我们如何以迄今为止取得的进展为基础，并尝试一些更有趣的事情，例如检测图像中的动物和物体？

紧随本系列的下一篇文章“狗和披萨：TensorFlow.js在浏览器中的计算机视觉”。

tensorflow记载h5文件_tensorflow记载h5文件_02