Автор оригинала: FreeCodeCamp Community Member.
Пау Павон
Tensorflow уже в то время как сейчас. До прошлого месяца, однако, он был доступен только для Python и нескольких других языков программирования, таких как C и Java. И вы могли бы подумать, что это было бы более чем достаточно.
Я слышал о Tensorflow в прошлом. Несмотря на то, что я ничего не знал о машине или глубоком обучении, я был уверен, что это одна из самых используемых рамх для этих целей. Я видел много прохладных вещей с этим: обнаружение объектов в изображениях, распознавание речи и даже музыкальной композиции!
Представьте себе возможность делать все эти прохладные ML вещей в браузере, не устанавливая какие-либо библиотеки и не собираем все эти строки кода снова и снова. Ну, это то, что пришел Tensorflow.js.
Если вы хотите узнать больше о том, как и почему эта удивительная структура пришла к жизни, вы можете проверить Tensorflow здесь на среднем!
Так как только я обнаружил это, я хотел начать узнавать, как работает Tensorflow.js. И это именно то, что я начал делать: я нашел Набор уроков по кодирующему поезду на YouTube , которые все еще продолжаются (на самом деле, они только что начали), и я начал немного связываться с вещами.
Я хотел бы дать вам быстрое введение в Tensorflow (TF), чтобы вы могли следовать за мной в моем путешествии и учиться со мной.
Основы tensorflow.js
Давайте начнем! Прежде всего, вы должны знать, что вся документация на Веб-сайт TF под руководством API.
Рад, что вы спросили. Тензор в основном структура чисел. В математике есть разные способы представления чисел. Вы можете иметь только сам номер, вектор, матрицу и так далее. Tensor – это просто общий термин для всех этих различных представлений данных.
В TF тензоры дифференцированы из-за их Ранг или, другими словами, количество Размеры у них есть.
Это наиболее распространенные:
Скалярный (Ранг-0)
Просто номер. Вот как вы можете создавать и консоль-журнал один:
tf.scalar(4.5).print();
И вывод следующий:
Tensor 4.5
Tensor1d, tensor2d, tensor3d и tensor4d (ранг – 1, 2, 3 и 4 соответственно)
Это более высокие разрядные тензоры. Если вы хотите создать тензор ранга-1, например, вы можете просто сделать:
tf.tensor1d([3, 7, 8]).print();
Который бы выдвинул:
Tensor [3, 7, 8]
Тензор (ранг-н)
Если вы не знаете размеры вашего тензора, вы можете просто создать один со следующей функцией (обратите внимание, как вышеприведенные два примера работают так же, а также с этим другим методом):
tf.tensor(4.5).print();tf.tensor([3, 7, 8]).print();
Это выходы точно так же, как раньше.
Кроме того, вы можете пройти пару большего количества параметров к этим функциям.
tf.tensor (ценности, форма?, dtype?)
Давайте посмотрим на Значения первый. Это единственный обязательный параметр, и единственный, на котором мы проходили в предыдущих примерах. Вы можете пройти плоский массив значений (или даже одного номера в скалярах) и указать форму себя, или вы можете пройти вложенный массив.
Теперь вам может быть интересно, что Форма является. Итак, скажем, вы хотите вывести следующий тензор:
[[1, 5], [4, 7]]
То есть вы догадались правильно, матрица 2×2. Вы можете либо создать этот тензор, передавая плоский массив и указав форму в качестве второго параметра функции
tf.tensor([1, 5, 4, 7], [2, 2]).print();
или путем прохождения вложенного массива
tf.tensor([[1, 5], [4, 7]]).print();
Наконец, у нас есть Dtype . Это указывает тип данных. Как сейчас, int32, float32 и Bool три поддерживаемых типа.
Операции
Но что вы можете сделать с этими тензорами? Ну, среди прочего, вы можете выполнять математические вычисления на них, такие как арифметические операции:
Примечание : Проведены следующие операции «Элемент-мудрый», что означает, что каждый срок первого участвующего тензора связан с термином в том же месте в другом тензоре.
const a = tf.tensor1d([4, 7, 2, 1]);const b = tf.tensor1d([20, 30, 40, 50]);
Есть два способа, которые эти два могут быть добавлены:
a.add(b).print();
или,
tf.add(a, b);
Оба выхода:
Tensor [24, 37, 42, 51]
Вот как они работают для вычитания,
tf.sub(a, b).print();
Tensor //output [-16, -23, -38, -49]
Умножение,
tf.mul(a, b).print();
Tensor //output [80, 210, 80, 50]
и разделение:
tf.div(a, b).print();
Tensor //output [0.2, 0.2333333, 0.05, 0.02]
Это довольно просто и просто.
Попробуй сам!
Если вы еще этого не сделали, я призываю вас попробовать вышеуказанно. Это самые основные вещи в TF, но эти концепции являются ключевыми, чтобы понять более сложные (и более веселые) части этого.
Спасибо за прочтение!
Редактировать: проверить ADL ‘s Youtube плейлист На Tensorflow я уверен, что это поможет вам!
Оригинал: “https://www.freecodecamp.org/news/a-quick-introduction-to-tensorflow-js-a046e2c3f1f2/”