作者：Josh Gordon 和 Sara Robinson，开发者倡导者

我们很高兴地推出 TensorFlow.js，这是一个开源库，您可以使用它来完全在浏览器中定义、训练和运行机器学习模型，使用 Javascript 和高级层 API。如果您是 Javascript 开发人员，但对 ML 并不熟悉，TensorFlow.js 是一个很好的学习起点。或者，如果您是 ML 开发人员，但对 Javascript 不熟悉，请继续阅读，了解有关浏览器内 ML 的新机遇的更多信息。在本博文中，我们将简要概述 TensorFlow.js 以及可以用来尝试它的入门资源。

浏览器内 ML

完全在浏览器中客户端运行机器学习程序会带来新的机会，比如交互式 ML！如果您正在观看 直播，了解 TensorFlow 开发者峰会，在 TensorFlow.js 演讲期间，您会发现一个演示，其中 @dsmilkov 和 @nsthorat 训练了一个模型，使用计算机视觉和网络摄像头完全在浏览器中控制 PAC-MAN 游戏。您也可以使用下面的链接自己尝试一下 - 并在 示例 文件夹中找到源代码。

将您的网络摄像头变成 PAC-MAN 的控制器 使用神经网络.

如果您想尝试另一个游戏，请尝试 Emoji 寻宝游戏 - 这次，从手机浏览器中。

Emoji 寻宝游戏 是另一个使用 TensorFlow.js 构建的应用程序的有趣示例。尝试使用您的手机，并找到源代码 这里.

在浏览器中运行 ML 意味着从用户的角度来看，无需安装任何库或驱动程序。只需打开一个网页，您的程序就可以运行了。此外，它可以与 GPU 加速一起运行。TensorFlow.js 自动支持 WebGL，并且在有 GPU 可用时会在幕后加速您的代码。用户还可以从移动设备打开您的网页，在这种情况下，您的模型可以利用传感器数据，比如来自陀螺仪或加速度计的数据。最后，所有数据都保留在客户端，这使得 TensorFlow.js 适用于低延迟推理以及隐私保护应用程序。

您可以使用 TensorFlow.js 做什么？

如果您正在使用 TensorFlow.js 进行开发，您可以考虑以下三种工作流程。

• 您可以导入现有的预训练模型进行推理。如果您有一个现有的 TensorFlow 或 Keras 模型，您之前已离线训练过，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。
  
• 您可以重新训练导入的模型。就像上面的 Pac-Man 演示一样，您可以使用迁移学习来增强使用离线训练的现有模型，使用少量在浏览器中收集的数据（使用一种称为图像重新训练的技术）。这是一种快速训练准确模型的方法，只需少量数据即可。
  
• 直接在浏览器中创建模型。您也可以使用 TensorFlow.js 完全在浏览器中定义、训练和运行模型，使用 Javascript 和高级层 API。如果您熟悉 Keras，高级层 API 应该很熟悉。
  

让我们看看一些代码

如果您愿意，可以直接前往 示例 或 教程 以开始使用。这些内容展示了如何导出在 Python 中定义的模型以便在浏览器中进行推理，以及如何完全在 Javascript 中定义和训练模型。作为简要预览，这里有一段代码片段，它定义了一个神经网络来对花卉进行分类，与 TensorFlow.org 上的入门 指南 类似。在这里，我们将使用一系列层来定义模型。

import * as tf from ‘@tensorflow/tfjs’;
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [4], units: 100}));
model.add(tf.layers.dense({units: 4}));
model.compile({loss: ‘categoricalCrossentropy’, optimizer: ‘sgd’});

我们在这里使用的层 API 支持示例 目录 中找到的所有 Keras 层（包括 Dense、CNN、LSTM 等）。然后，我们可以使用与 Keras 兼容的 API 使用方法调用来训练我们的模型

await model.fit(
  xData, yData, {
    batchSize: batchSize,
    epochs: epochs
});

该模型现在已准备好用来进行预测

// Get measurements for a new flower to generate a prediction
// The first argument is the data, and the second is the shape.
const inputData = tf.tensor2d([[4.8, 3.0, 1.4, 0.1]], [1, 4]);

// Get the highest confidence prediction from our model
const result = model.predict(inputData);
const winner = irisClasses[result.argMax().dataSync()[0]];

// Display the winner
console.log(winner);

TensorFlow.js 还包括一个低级 API（以前称为 deeplearn.js）和对 渴望执行 的支持。您可以通过观看 TensorFlow 开发者峰会上的演讲来了解有关这些内容的更多信息。 TensorFlow.js API 的概述。TensorFlow.js 由 WebGL 提供支持，并提供高级层 API 用于定义模型，以及用于线性代数和自动微分的低级 API。TensorFlow.js 支持导入 TensorFlow SavedModels 和 Keras 模型。

TensorFlow.js 与 deeplearn.js 有什么关系？

好问题！TensorFlow.js 是一个 JavaScript 机器学习工具生态系统，是 deeplearn.js 的继承者，现在称为 TensorFlow.js Core。TensorFlow.js 还包括一个 Layers API，这是一个用于构建使用 Core 的机器学习模型的更高级别的库，以及用于自动移植 TensorFlow SavedModels 和 Keras hdf5 模型的工具。有关此类更多问题的答案，请查看 常见问题解答.

哪里可以找到最佳学习资源？

要了解有关 TensorFlow.js 的更多信息，请访问项目 主页，查看 教程，并尝试 示例。您还可以观看 2018 年 TensorFlow 开发者峰会上的演讲，并在 Twitter 上关注 TensorFlow。要了解有关 TensorFlow.js 的更多信息，请访问项目 主页，查看 教程，并尝试 示例。您还可以观看 2018 年 TensorFlow 开发者峰会上的演讲，并在 Twitter 上关注 TensorFlow。

来自加州山景城现场直播！加入 TensorFlow 团队，他们将举办第二届年度 TensorFlow 开发者峰会。所有会议都将被录制并上传到频道。

感谢您的阅读，我们很高兴看到您将使用 TensorFlow.js 创建什么！如果您愿意，可以关注 TensorFlow.js 团队的 @dsmilkov、@nsthorat 和 @sqcai，在 Twitter 上获取最新信息。