Esta página se tradujo automáticamente con la API de traducción de Google Cloud.
Algunas páginas se pueden leer mejor en su totalidad.
TensorFlow.js es una biblioteca JavaScript de código abierto para aprendizaje automático que permite a los desarrolladores entrenar e implementar modelos ML en el navegador o en Node.js.
En esta publicación, aprenderemos a usar TensorFlow.js para implementar un modelo de aprendizaje automático previamente entrenado en una aplicación de Node.js. También aprenderemos a usar la API de Node.js para ejecutar inferencias en el modelo.
Antes de comenzar, necesitará lo siguiente:
Primero, necesitamos instalar la biblioteca TensorFlow.js. Podemos hacer esto usando el Administrador de paquetes de nodos (NPM):
npm install @tensorflow/tfjs
A continuación, necesitamos descargar el modelo ML preentrenado. Para este ejemplo, usaremos el modelo de clasificación de imágenes MobileNet.
Una vez descargado el modelo, podemos implementarlo en nuestra aplicación Node.js.
Para implementar el modelo, necesitamos crear un nuevo archivo llamado index.js. En este archivo, usaremos la función tf.loadModel() para cargar el modelo previamente entrenado:
const tf = require('@tensorflow/tfjs');
// Load the model.
tf.loadModel('https://storage.googleapis.com/tfjs-models/tfjs/mobilenet_v1_0.25_224/model.json')
.then(model => {
// Use the model.
});
Una vez que se carga el modelo, podemos usarlo para ejecutar la inferencia en una imagen. Para este ejemplo, usaremos el ejemplo de clasificación de imágenes de TensorFlow.js.
Primero, necesitamos cargar la imagen en un tf.Tensor:
const tf = require('@tensorflow/tfjs');
// Load the model.
tf.loadModel('https://storage.googleapis.com/tfjs-models/tfjs/mobilenet_v1_0.25_224/model.json')
.then(model => {
// Use the model.
const img = tf.tensor3d(imageData, [224, 224, 3]);
});
A continuación, necesitamos preprocesar la imagen usando la función mobilenet.preprocessInput():
const tf = require('@tensorflow/tfjs');
// Load the model.
tf.loadModel('https://storage.googleapis.com/tfjs-models/tfjs/mobilenet_v1_0.25_224/model.json')
.then(model => {
// Use the model.
const img = tf.tensor3d(imageData, [224, 224, 3]);
// Pre-process the image.
const preprocessedImg = tf.mobilenet.preprocessInput(img);
});
Finalmente, podemos usar la función model.predict() para ejecutar la inferencia en la imagen:
const tf = require('@tensorflow/tfjs');
// Load the model.
tf.loadModel('https://storage.googleapis.com/tfjs-models/tfjs/mobilenet_v1_0.25_224/model.json')
.then(model => {
// Use the model.
const img = tf.tensor3d(imageData, [224, 224, 3]);
// Pre-process the image.
const preprocessedImg = tf.mobilenet.preprocessInput(img);
// Run inference.
model.predict(preprocessedImg).then(predictions => {
// Use the predictions.
});
});
La variable predictions contiene los resultados de la inferencia.
En esta publicación, aprendimos a usar TensorFlow.js para implementar un modelo de aprendizaje automático previamente entrenado en una aplicación de Node.js. También aprendimos a usar la API de Node.js para ejecutar inferencias en el modelo.