https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjuUv6hVLci1L1ZfvwIXDkZGetljXlYeUaVyDRyd5SxDf7HtGKrrpQY1Y4vrBWAK9lq9Ezmzw4Vk7v-dNeKyFCg6H_1Lqg43pGbNFHG5spM07j0ThWSPWGzkMdPg0P_KPsFO3-DHfKpR7I/s1600/tensorflowjs.png
作者：Laurence Moroney
使用 TensorFlow.js，您不仅可以在浏览器中运行机器学习模型进行推理，还可以
训练它们。在本超简单的教程中，我将向您展示一个基本的“Hello World”示例，它将教您入门所需的脚手架。
让我们从最简单的网页开始
<html>
<head></head>
<body></body>
</html>
有了这个，您需要做的第一件事是添加对 TensorFlow.js 的引用，以便您可以使用 TensorFlow API。为了方便起见，JS 文件可在 CDN 上获得
<html>
<head>
<!-- Load TensorFlow.js -->
<!-- Get latest version at https://github.com/tensorflow/tfjs -->
<script src="https://cdn.jsdelivr.net.cn/npm/@tensorflow/[email protected]"> </script>
现在我使用的是 0.11.2 版本，但请务必查看 GitHub 以获取最新版本。
现在 TensorFlow.js 已加载，让我们用它做一些有趣的事情。
考虑一个具有公式 Y=2X-1 的直线。这将为您提供一组点，例如 (-1, -3)、(0, -1)、(1, 1)、(2, 3)、(3, 5) 和 (4, 7)。虽然我们
知道该公式为给定的 X 提供了 Y 值，但对于没有用此公式显式编程的计算机，训练一个模型来查看它是否可以在用此数据训练时推断给定 X 值的 Y 值是一个很好的练习。
那么这将如何运作呢？
首先，我们可以创建一个超简单的神经网络来进行推理。由于只有一个输入值和一个输出值，它可以是一个单独的节点。在 JavaScript 中，我可以创建一个 tf.sequential，并将我的层定义添加到其中。它不可能比这更基本了
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
要完成模型的定义，我将其编译，指定我的损失类型和优化器。我将选择最基本的损失类型 - meanSquaredError，我的优化器将是标准随机梯度下降（又称“sgd”）
model.compile({
loss: 'meanSquaredError',
optimizer: 'sgd'
});
要
训练模型，我需要一个包含我的
输入（即“X”）值的张量，以及另一个包含我的
输出（即“Y”）值的张量。使用 TensorFlow，我还需要定义给定张量的
形状
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);
因此，我的 Xs 是值 -1、0、1、2、3 和 4，定义为 6x1 张量。我的 Ys 是 -3、-1、1、3、5、7，形状相同。请注意，当我们说 Y=2X-1 时，第 n 个 Y 条目是第 n 个 X 条目的值。
要训练模型，我们使用
fit方法。为此，我们传递 X 和 Y 值集，以及我们将训练它的时期（遍历数据的循环）数量。请注意，这是异步的，因此在继续之前我们应该
await返回值，因此所有这些代码都需要在
async函数中（稍后将详细介绍）
await model.fit(xs, ys, {epochs: 500});
完成后，模型将得到训练，因此我们可以预测新 X 的值。例如，如果我们要找出 X=10 的 Y 并将其写入页面中的<div>，则代码如下所示
document.getElementById('output_field').innerText =
model.predict(tf.tensor2d([10], [1, 1]));
请注意，输入是一个张量，其中我们指定它是一个包含值 10 的 1x1 张量。
结果在页面上的 div 中写入，应该类似于以下内容
等等，你可能会问 - 为什么它不是 19？它很接近，但它不是 19！这是因为算法从未被给出公式 - 它只是根据给定的数据学习。对于更多相关的数据，任何机器学习模型都将提供更高的准确性，但考虑到它只有 6 个数据片段可供学习，这个模型还不错！
为了方便起见，这里提供了页面的完整代码，包括将所有这些代码声明为名为“learnLinear”的异步函数
<html>
<head>
<!-- Load TensorFlow.js -->
<!-- Get latest version at https://github.com/tensorflow/tfjs -->
<script src="https://cdn.jsdelivr.net.cn/npm/@tensorflow/[email protected]">
</script>
</head>
<body>
<div id="output_field"></div>
</body>
<script>
async function learnLinear(){
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
model.compile({
loss: 'meanSquaredError',
optimizer: 'sgd'
});
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);
await model.fit(xs, ys, {epochs: 500});
document.getElementById('output_field').innerText =
model.predict(tf.tensor2d([10], [1, 1]));
}
learnLinear();
</script>
<html>
这就是在您的浏览器中创建非常简单的机器学习模型，并使用 TensorFlow.js 执行所需的所有操作。有了这个基础，您可以继续学习更高级的概念。
玩得开心！
