Автор оригинала: FreeCodeCamp Community Member.
ADL
В этой статье мы построим глубокую нейронную сеть, которая может распознавать изображения с высокой точностью на стороне клиента с использованием JavaScript & Tensorflow.js. Я объясню методы, используемые на протяжении всего процесса, поскольку мы идем. Мы будем использовать VGG16 и Mobilenet для демонстрации демо.
Если вам нужна быстрая освещенность на Tensorflow.js, прочитайте это статья.
Ниже приведен скриншот того, как будет выглядеть окончательное веб-приложение:
Чтобы начать, мы создадим папку (Vgg16_keras_to_tensorflowjs) С двумя папками: localserver и статический localserver Папка должна содержать все сервер Nodejs код и Статический Папка будет иметь все CSS, HTML и код JavaScript.
Конфигурация сервера
Мы вручную создаем Package.json Файл с следующим кодом:
{"name": "tensorflowjs",
"version": "1.0.0",
"dependencies": {"express": "latest"
}}
Package.json Файл отслеживает все 3-й пакеты вечеринок, которые мы будем использовать в этом проекте. После сохранения Package.json Файл, мы откроем командную строку и в нем мы будем ориентироваться на localserver папка. Затем мы выполним следующее:
npm install
После этого NPM будет выполнять и убедиться, что все необходимые пакеты, упомянутые в Package.json установлены и готовы к использованию. Вы будете наблюдать за node_modules папка в localserver папка.
Мы создадим server.js Файл с следующим кодом:
server.js Содержит код NODEJS, который позволяет размещать локальный сервер, который будет запускать наш WebApp.
Конфигурация клиента
Далее мы создадим predict_with_tfjs.html Отказ Ниже приведен код:
Как только HTML-код будет сделан, мы создадим файл JavaScript и вызовите его Promict.js Отказ Ниже приведен код:
Конфигурация модели
Как только клиентский и серверный код Side завершен, нам теперь нужна модель DL/ML для прогнозирования изображений. Мы экспортируем обученную модель (VGG16 и мобильную сеть) из KERAS в Tensorflow.js. Сохраните выходные данные в папках, называемых VGG и Mobile Net, соответственно, внутри статической папки.
Определение классов
Мы будем держать imagenet_classes.js внутри Статический папка. Этот файл содержит список всех классов ImageNet. Вы можете скачать этот файл из здесь Отказ
Тестирование кода
Ведь установка сделана, мы откроем командную строку и перейдите к localserver Папка и выполнение:
node server.js
Мы должны увидеть ниже вывод:
После успешной реализации бокового кода сервера мы можем теперь перейти к браузеру и открыть http://localhost: 8080/predict_with_tfjs.html Отказ Если клиентский край код неисправен, приложение начнется. Затем вы можете выбрать другую модель (VGG16 и мобильную сеть) из окна выбора и выполнить прогноз.
Репозиторий GitHub для проекта:
Adlsourcecode/tensorflowjs GitHub – это где люди создают программное обеспечение. Более 28 миллионов человек используют GitHub, чтобы обнаружить, вилку и внести свой вклад в … github.com.
Вы можете посмотреть полное объяснение и внедрение кода в видео ниже:
Удачи ! ?
Если вам понравилась моя статья, Пожалуйста, нажмите на? ниже ND следуй за мной на M Эдиум &:
Если у вас есть какие-либо вопросы, пожалуйста, дайте мне знать в комментарии ниже или Twitter Отказ Подписаться на мой канал YouTube для более технических видео: ADL Отказ