tensorflow.js前端机器学习利器（1）-hello tfjs@慕课网原创_慕课网

google开发的tensorflow机器学习框架目前应该是人工智能开发的第一框架，不论从框架的设计，开源环境，还是商业化应用方面都是有着很好的体现。而且Google的tensorflow团队也一直致力于将tensorflow的业务实现能力移植到端上，那么今天我们就带了google tensorflow团队在这个方面的最新进展—tensorflow.js。

tensorflow.js 是一个机器学习的前端框架，google也在github开源了相关代码。github地址：https://github.com/tensorflow/tfjs 。在实现方面tensorflow团队使用了WebGL库对运算过程进行了优化，使得tensorflow.js在学习尤其是网络扩大的时候能够有更好的性能表现。在Api设计方面，框架更多的考量到了开发人员的易用性，在较为底层的api方面使用了tensorflow的许多概念，而在高级抽象api方面则是更多的和keras。

“纸上得来终觉浅，绝知此事要躬行。” 我们了解了这么多背景知识，接下来就让我们通过一个最简单的例子了解一下tensorflow.js的魅力吧。

1 类库引入
1.1 script标签引入
标签的引入是最为直接的方式，引入的地址为
https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.9.0
给大家一个简单的开发的模板

<html>
  <head>
    <!-- 引入tensorflow.js 类库 -->
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.9.0"> </script>

    <!-- 在下面的script标签里面写机器学习代码-->
    <script>

    </script>
  </head>

  <body>
  </body>
</html>

1.2 npm引入
如果你使用了node进行前端架构的开发，那你就需要包管理工具npm来引入。

npm install @tensorflow/tfj

也给大家一个简单的开发的模板（ES6）

import * as tf from '@tensorflow/tfjs';
// 在下面写机器学习业务代码

2 hellotfjs
2.1 代码编写

// 定义模型：线性回归模型
  const model = tf.sequential();
  model.add(tf.layers.dense({units: 1, inputShape: [1]}));

  // 定义模型损失函数和梯度下降算法
  model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

  // 准备学习数据
  const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
  const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

  //模型学习
  model.fit(xs, ys).then(() => {
    // 使用训练完成的模型进行预测
    model.predict(tf.tensor2d([5], [1, 1])).print();
  });

2.2 代码分析

代码中具体做的事情就是线性回归分析，步骤总结为：模型定义—> 模型学习 —> 模型使用。如果大家想要深入了解线性回归分析的内容可以参考我的免费课程。课程链接
2.3 运行结果
在浏览器里面运行，在命令行中就能看的想要的输出。

这两年随着前端框架（react, vue, angular）的崛起, 微信小程序的发力，前端从业人员的开发能力也得到了长足的进步，人工智能时代不但给与了后台通关全集的能力，也给了前端的业务更多的能力和想象力，tensorflow.js 就是这样环境下营运而生的产物，我们也通过上面的入门例子对她有了一个直观感受，如果你学习了tensorflow的核心知识，上手tensorflow.js将会非常容易。