setup.md

Configuração

Configuração do navegador

Existem duas maneiras principais de colocar o TensorFlow.js em seus projetos para navegador:

• Usando tags script.

• Instalando pelo NPM e usando uma ferramenta de compilação, como Parcel, WebPack ou Rollup.

Se você for iniciante no desenvolvimento web ou nunca tiver ouvido falar de ferramentas como WebPack ou Parcel, recomendamos o uso da estratégia de tags script. Se você tiver mais experiência ou quiser escrever programas maiores, pode valer a pena usar ferramentas de build.

Uso via tag script

Adicione a seguinte tag script ao seu arquivo HTML principal.

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"></script>

Veja o exemplo de código de configuração da tag script

 // Define a model for linear regression. const model = tf.sequential(); model.add(tf.layers.dense({units: 1, inputShape: [1]})); 

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

// Generate some synthetic data for training. const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]); const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

// Train the model using the data. model.fit(xs, ys, {epochs: 10}).then(() => { // Use the model to do inference on a data point the model hasn't seen before: model.predict(tf.tensor2d([5], [1, 1])).print(); // Open the browser devtools to see the output });

Instalação via NPM

Você pode usar a ferramenta npm cli ou yarn para instalar o TensorFlow.js.

yarn add @tensorflow/tfjs

ou

npm install @tensorflow/tfjs

Veja o exemplo de código para instalação via NPM

 import * as tf from '@tensorflow/tfjs'; 

// Define a model for linear regression. const model = tf.sequential(); model.add(tf.layers.dense({units: 1, inputShape: [1]}));

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

// Generate some synthetic data for training. const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]); const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

// Train the model using the data. model.fit(xs, ys, {epochs: 10}).then(() => { // Use the model to do inference on a data point the model hasn't seen before: model.predict(tf.tensor2d([5], [1, 1])).print(); // Open the browser devtools to see the output });

Configuração do Node.js

Você pode usar a ferramenta npm cli ou yarn para instalar o TensorFlow.js.

Opção 1: instale o TensorFlow.js com as vinculações C++ nativas.

yarn add @tensorflow/tfjs-node

ou

npm install @tensorflow/tfjs-node

Opção 2 (somente Linux): se o seu sistema tiver uma CPU NVIDIA® GPU com suporte a CUDA, use o pacote GPU para maior desempenho.

yarn add @tensorflow/tfjs-node-gpu

ou

npm install @tensorflow/tfjs-node-gpu

Opção 3: instale a versão puramente em JavaScript. É a opção mais lenta em termos de desempenho.

yarn add @tensorflow/tfjs

ou

npm install @tensorflow/tfjs

Veja o código de exemplo de uso do Node.js

 const tf = require('@tensorflow/tfjs'); 

// Optional Load the binding: // Use '@tensorflow/tfjs-node-gpu' if running with GPU. require('@tensorflow/tfjs-node');

// Train a simple model: const model = tf.sequential(); model.add(tf.layers.dense({units: 100, activation: 'relu', inputShape: [10]})); model.add(tf.layers.dense({units: 1, activation: 'linear'})); model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

const xs = tf.randomNormal([100, 10]); const ys = tf.randomNormal([100, 1]);

model.fit(xs, ys, { epochs: 100, callbacks: { onEpochEnd: (epoch, log) => console.log(Epoch ${epoch}: loss = ${log.loss}) } });

TypeScript

Ao usar o TypeScript, talvez você precise definir skipLibCheck: true no arquivo tsconfig.json caso seu projeto use verificação estrita de null ou se houver erros durante a compilação.