基本的“Hello World”示例，通过该实例开启我们的全新旅程-电子发烧友网

使用 TensorFlow.js，不仅可以在浏览器中运行机器学习模型来执行推理，还可以训练它们。在本教程中，将向您展示一个基本的 “Hello World” 示例，通过该实例开启我们的全新旅程。

让我们从一个最简单的网页开始：

完成后，需要做的第一件事是添加对 TensorFlow.js 的引用，以便我们可以在浏览器环境中使用 TensorFlow API。为方便起见，可以从 CDN 上获取 JS 文件：

在写这篇文章时使用的 TensorFlow.js 版本是 0.11.2。如果想获取最新版本，我们可以从 GitHub 查看。

现在我们已经成功加载了 TensorFlow.js，让我们用它做一些有趣的事情吧！

现在有一条公式为 Y = 2X-1 的直线。并提供你一组点，如（-1，-3），（0，-1），（1,1），（2,3），（3,5）和（4,7）。虽然通过公式我们可以得出给定 X 的 Y 值，我们是否可以通过机械学习模型推导出 Y 值呢？

首先，我们可以创建一个简单的神经网络来进行推理。由于只有 1 个输入值和 1 个输出值，因此它可以是单节点。在 JavaScript 中，我们可以创建一个 tf.sequential，并添加图层定义。代码示例如下：

const model = tf.sequential();model.add(tf.layers.dense({units: 1, inputShape: [1]}));

为了完成模型定义，我们需要执行编译，并指定损失类型和优化器。我们将选择最基本的损失类型 - meanSquaredError，同时优化器使用标准的

Stochastic Gradient Descent：

model.compile({loss: 'meanSquaredError', optimizer: 'sgd' });

为了训练模型，我们需要定义张量，并指定其形状：

const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

为了训练模型，我们使用 fit 方法。为此，我们传递一组 X 和 Y 值，以及 epochs（循环数据）。请注意，这是异步（async/await）的，因此所有这些代码都需要在异步函数中：

await model.fit(xs, ys, {epochs: 500});

一旦准备就绪，模型就会被训练，我们就可以基于 X 值预测 Y。例如，如果我们想要找出 X = 10的 Y 值并将其写在 Web 页面上的

中，代码如下所示：

document.getElementById('output_field').innerText = model.predict(tf.tensor2d([10], [1, 1]));

请注意，输入是包含值 10 的 1x1 的张量。

结果如下所示：

等等，你可能会问 —— 为什么不是 19？它非常接近，但它不是 19！这是因为该算法从未被赋予公式 —— 它只是根据给出的少量数据进行学习。有了更多的相关数据进行训练，ML 模型就会提供更高的准确性。

为了方便起见，完整代码如下所示：

这就是在浏览器环境中使用 TensorFlow.js 创建一个非常简单的机械学习模型所需要的一切。从这里开始，我们将进入崭新的世界！

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

原文标题：快速入门 TensorFlow.js

文章出处：【微信号：tensorflowers，微信公众号：Tensorflowers】欢迎添加关注！文章转载请注明出处。

基本的“Hello World”示例，通过该实例开启我们的全新旅程