在本文中我們來研究如何用 TensorFlow.js 建立基本的 AI 模型，並使用更複雜的模型實作一些有趣的功能。我只是剛開始接觸人工智慧，儘管不需要深入的人工智慧知識，但還是需要搞清楚一些概念才行。
真實世界是很複雜的，我們需要對其進行簡化才能理解，可以用透過模型來簡化，這種模型有很多種：例如世界地圖，或圖表等。
例如要建立一個用來表示房子出租價格與房屋面積關係的模型：首先要收集一些資料：
| 房間數 | 價格 |
|---|---|
| 3 | 131000 |
| 3 | 125000 |
| 4 | #235000 |
| 4 | #265000 |
| 5 | 535000 |
然後，把這些數據顯示在二維圖形上，把每個參數（價格，房間數量）都做為1 個維度：
訓練模型
這個過程並不複雜，因為它是二維的。每個模型都用來描述一個世界，但是「訓練」的概念在所有模型中都非常相似。第一步是繪製一條隨機線，並在演算法中透過迭代對其進行改進，每次迭代中過程中修正錯誤。這種最佳化演算法名為 Gradient Descent（梯度下降）（有著相同概念的演算法還有更複雜的 SGD 或 ADAM 等）。每種演算法（線性迴歸，對數迴歸等）都有不同的成本函數來度量誤差，成本函數會始終收斂於某一點。它可以是凸函數或凹函數，但是最終要收斂在 0％ 誤差的點上。我們的目標就是實現這一點。
當使用梯度下降演算法時，先從其成本函數的某個隨機點開始，但是我們不知道它究竟在什麼地方！這就像你被蒙著眼睛丟在一座山上，想要下山的話必須一步一步走到最低點。如果地形是不規則的（例如凹函數），則下降會更加複雜。
在這裡不會深入解釋「梯度下降」演算法，只需要記住這是訓練 AI 模型過程中最小化預測誤差的最佳化演算法就足夠了。這種演算法需要大量的時間和 GPU 進行矩陣乘法。通常在第一次執行時很難達到這個收斂點，因此需要修正一些超參數，例如學習率（learning rate）或添加正規化（regularization）。在梯度下降迭代之後，當誤差接近 0％ 時，會接近收斂點。這樣就創建了模型，接下來就能夠進行預測了。
TensorFlow.js 提供了一個建立神經網路的簡單方法。首先用 trainModel 方法建立一個 LinearModel 類別。我們將使用順序模型。順序模型是其中一層的輸出是下一層的輸入的模型，即當模型拓撲是簡單的層級結構，沒有分支或跳過。在trainModel 方法內部定義層（我們只使用一層，因為它足以解決線性迴歸問題）：
import * as tf from '@tensorflow/tfjs';
/**
* 线性模型类
*/
export default class LinearModel {
/**
* 训练模型
*/
async trainModel(xs, ys){
const layers = tf.layers.dense({
units: 1, // 输出空间的纬度
inputShape: [1], // 只有一个参数
});
const lossAndOptimizer = {
loss: 'meanSquaredError',
optimizer: 'sgd', // 随机梯度下降
};
this.linearModel = tf.sequential();
this.linearModel.add(layers); // 添加一层
this.linearModel.compile(lossAndOptimizer);
// 开始模型训练
await this.linearModel.fit(
tf.tensor1d(xs),
tf.tensor1d(ys),
);
}
//...
}使用這個類別進行訓練：
const model = new LinearModel() // xs 与 ys 是 数组成员(x-axis 与 y-axis) await model.trainModel(xs, ys)
訓練結束後就可以開始預測了。
儘管在訓練模型時需要事先定義一些超參數，但是進行一般的預測還是很容易的。透過下面的程式碼就夠了：
import * as tf from '@tensorflow/tfjs';
export default class LinearModel {
... //前面训练模型的代码
predict(value){
return Array.from(
this.linearModel
.predict(tf.tensor2d([value], [1, 1]))
.dataSync()
)
}
}現在就可以預測了：
const prediction = model.predict(500) // 预测数字 500 console.log(prediction) // => 420.423
訓練模型是最困難的部分。首先將資料標準化來進行訓練，還需要正確的設定所有超參數等等。對於咱們初學者，可以直接用那些預先訓練好的模型。 TensorFlow.js 可以使用許多預先訓練的模型，也可以匯入使用 TensorFlow 或 Keras 建立的外部模型。例如可以直接用posenet 模型（即時人體姿態評估）做一些有趣的專案：
這個Demo 的程式碼：https://github.com/aralroca/posenet- d3
它用起來很容易：
import * as posenet from '@tensorflow-models/posenet' // 设置一些常数 const imageScaleFactor = 0.5 const outputStride = 16 const flipHorizontal = true const weight = 0.5 // 加载模型 const net = await posenet.load(weight) // 进行预测 const poses = await net.estimateSinglePose( imageElement, imageScaleFactor, flipHorizontal, outputStride )
這個JSON 是pose 變數：
{
"score": 0.32371445304906,
"keypoints": [
{
"position": {
"y": 76.291801452637,
"x": 253.36747741699
},
"part": "nose",
"score": 0.99539834260941
},
{
"position": {
"y": 71.10383605957,
"x": 253.54365539551
},
"part": "leftEye",
"score": 0.98781454563141
}
// 后面还有: rightEye, leftEar, rightEar, leftShoulder, rightShoulder
// leftElbow, rightElbow, leftWrist, rightWrist, leftHip, rightHip,
// leftKnee, rightKnee, leftAnkle, rightAnkle...
]
}從官方的demo 可以看得到，用這個模型可以開發出很多有趣的項目。
這個專案的原始碼：https://github.com/aralroca/fishFollow-posenet-tfjs
可以把外部模型導入TensorFlow.js。下面是一個用 Keras 模型（h5格式）進行數字辨識的程式。首先要用 tfjs_converter 對模型的格式進行轉換。
pip install tensorflowjs
使用轉換器：
tensorflowjs_converter --input_format keras keras/cnn.h5 src/assets
最後，把模型匯入到 JS 程式碼：
// 载入模型
const model = await tf.loadModel('./assets/model.json')
// 准备图片
let img = tf.fromPixels(imageData, 1)
img = img.reshape([1, 28, 28, 1])
img = tf.cast(img, 'float32')
// 进行预测
const output = model.predict(img)只需要幾行程式碼行就完成了。當然還可以在程式碼中加入更多的邏輯來實現更多功能，例如可以把數字寫在 canvas 上，然後得到其圖像來進行預測。
這個專案的原始碼：https://github.com/aralroca/MNIST_React_TensorFlowJS
由於裝置的不同，在瀏覽器中訓練模型時，效率可能很低。用 TensorFlow.js 利用 WebGL 在後台訓練模型，比用 Python 版的 TensorFlow 慢 1.5 ～ 2倍。
但是在 TensorFlow.js 出現之前，沒有能直接在瀏覽器中使用機器學習模型的 API，現在則可以在瀏覽器應用程式中離線訓練和使用模型。而且預測速度更快，因為不需要向伺服器發送請求。另一個好處是成本低，因為所有這些計算都是在客戶端完成的。
英文原文網址：https://aralroca.com/blog/first-steps-with-tensorflowjs
作者：Aral Roca
#更多程式相關知識，請造訪：程式設計課程！ ！
以上是怎麼用 TensorFlow.js 建立基本的 AI 模型？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
