学习使用 Tensorflow.js 机器学习

介绍

什么是 Tensorflow.js

TensorFlow.js 是一个开源的基于硬件加速的 JavaScript 库，用于训练和部署机器学习模型。谷歌推出的第一个基于 TensorFlow 的前端深度学习框架 TensorFlow.js 是一个开源的用于开发机器学习项目的 WebGL-accelerated JavaScript 库。TensorFlow.js 可以为你提供高性能的、易于使用的机器学习构建模块，允许你在浏览器上训练模型，或以推断模式运行预训练的模型。TensorFlow.js 不仅可以提供低级的机器学习构建模块，还可以提供高级的类似 Keras 的 API 来构建神经网络。

Tensorflow.js 的优点

不用安装驱动器和软件，通过链接即可分享程序
网页应用交互性更强
有访问 GPS，Camera，Microphone，Accelerator，Gyroscope 等传感器的标准 api（主要是指手机端）
安全性，因为数据都是保存在客户端的

TensorFlow.js 的应用方式

在浏览器中开发 ML

使用简单直观的 API 从头构建模型，然后使用低级别的 JavaScript 线性代数库或高层 API 进行训练。
运行现有模型

使用 TensorFlow.js 模型转换器在浏览器中运行预训练好的 TensorFlow 模型。
重新训练现有模型

使用连接到浏览器的传感器数据或其他客户端数据重新训练 ML 模型。

安装

使用 Script Tag

<html>
  <head>
    <!-- Load TensorFlow.js -->
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.9.0"></script>

    <!-- Place your code in the script tag below. You can also use an external .js file -->
    <script>
      // Notice there is no 'import' statement. 'tf' is available on the index-page
      // because of the script tag above.

      // Define a model for linear regression.
      const model = tf.sequential();
      model.add(tf.layers.dense({ units: 1, inputShape: [1] }));

      // Prepare the model for training: Specify the loss and the optimizer.
      model.compile({ loss: "meanSquaredError", optimizer: "sgd" });

      // Generate some synthetic data for training.
      const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
      const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

      // Train the model using the data.
      model.fit(xs, ys).then(() => {
        // Use the model to do inference on a data point the model hasn't seen before:
        // Open the browser devtools to see the output
        model.predict(tf.tensor2d([5], [1, 1])).print();
      });
    </script>
  </head>

  <body></body>
</html>

npm/yarn

yarn add @tensorflow/tfjs
npm install @tensorflow/tfjs

在 js 文件中输入以下代码：

import * as tf from "@tensorflow/tfjs";

// Define a model for linear regression.
const model = tf.sequential();
model.add(tf.layers.dense({ units: 1, inputShape: [1] }));

// Prepare the model for training: Specify the loss and the optimizer.
model.compile({ loss: "meanSquaredError", optimizer: "sgd" });

// Generate some synthetic data for training.
const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

// Train the model using the data.
model.fit(xs, ys).then(() => {
  // Use the model to do inference on a data point the model hasn't seen before:
  model.predict(tf.tensor2d([5], [1, 1])).print();
});

概念名词

张量

TensorFlow.js 中数据的中心单位是张量：一组数值形成一个或多个维度的数组。张量实例具有定义数组形状的形状属性。

通俗来说，张量就是一个一维或多维数组常量，维度就是张量的形状 shape。

const shape = [2, 3]; // 2 行, 3 列
const a = tf.tensor([1.0, 2.0, 3.0, 10.0, 20.0, 30.0], shape);
a.print(); // 打印张量值
// 输出:    [[1 , 2 , 3 ],
//          [10, 20, 30]]

利用已有的方法可以更简单的创建张量，如 tf.scalar（零维）, tf.tensor1d（一维）, tf.tensor2d（二维）, tf.tensor3d（三维）、tf.tensor4d（四维）以及 tf.ones（值全是 1）或者 tf.zeros（值全是 0）

变量

Variables 变量是通过张量进行初始化得到的。不像 Tensor 的值不可变，变量的值是可变的。你可以使用变量的 assign 方法分配一个新的 tensor 到这个变量上，这是变量就会改变：

const initialValues = tf.zeros([5]);
const biases = tf.variable(initialValues); // 初始化biases
biases.print(); // 输出: [0, 0, 0, 0, 0]

const updatedValues = tf.tensor1d([0, 1, 0, 1, 0]);
biases.assign(updatedValues); // 更新 biases的值
biases.print(); // 输出: [0, 1, 0, 1, 0]

变量由 variable 方法初始化，将张量的值赋给变量，也可以由 assign 方法更新，赋值为其他的值。

模型

在 Tensorflow.js 中，从概念上来说，一个模型就是一个给定一些输入将会产生特定的输出的函数。

通俗来说，模型相当于是一个方法的封装，定义好参数和返回值，其他都交给模型来完成。模型可以自定义，也可以直接使用已有的模型，正常情况下，使用已有的。

const model = tf.sequential();
model.add(
  tf.layers.simpleRNN({
    units: 20,
    recurrentInitializer: "GlorotNormal",
    inputShape: [80, 4]
  })
);
model.compile({
  optimizer: tf.train.sgd(LEARNING_RATE),
  loss: "categoricalCrossentropy"
});
model.fit({ x: data, y: labels });