本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
在本文中，我们将向您展示如何使用 TensorFlow.js 和 Node.js 创建 REST API。我们将介绍启动和运行项目所需的所有步骤，包括安装所需的依赖项、设置项目和编写代码。
在本文结束时，您将能够使用 TensorFlow.js 和 Node.js 创建自己的 REST API。
在我们开始之前，您需要做一些事情才能跟进：
设置好先决条件后，您就可以开始设置项目了。
首先，为您的项目创建一个新目录。我们将调用我们的 tfjs-rest-api。
接下来，通过在项目目录中运行“npm init”来初始化项目。这将为您的项目创建一个“package.json”文件。
现在您有了一个 package.json 文件，您可以为您的项目安装依赖项。运行以下命令安装Express、Body-Parser和[TensorFlow.js]( https://www.npmjs.com/package/@tensorflow/tfjs）：
npm install express body-parser @tensorflow/tfjs --save
这将安装依赖项并将它们添加到您的 package.json 文件中。
现在您已经设置了项目，可以开始编写代码了。
打开文本编辑器并在项目目录中创建一个新文件。我们将调用我们的 index.js。
在这个文件中，我们首先需要我们之前安装的依赖项：
const express = require('express');
const bodyParser = require('body-parser');
const tf = require('@tensorflow/tfjs');
接下来，我们将设置我们的 Express 服务器：
const app = express();
const port = 3000;
app.use(bodyParser.json());
app.listen(port, () => {
console.log(`Server listening on port ${port}`);
});
现在我们的服务器已经设置好了，我们可以开始编写我们的 API 端点了。
我们的第一个端点将是对 / 的 GET 请求，它将返回一条简单的消息：
app.get('/', (req, res) => {
res.send('Hello, world!');
});
我们的第二个端点将是对 /predict 的 POST 请求，它将接收一个数字数组并返回基于这些数字的预测：
app.post('/predict', (req, res) => {
const input = tf.tensor2d([req.body.numbers], [1, req.body.numbers.length]);
const output = model.predict(input);
res.send(output.dataSync());
});
在此端点中，我们使用预训练的 TensorFlow.js 模型进行预测。您可以在 此处 找到此模型。
现在您已经设置了 API 端点，可以开始测试它们了。
要测试您的“GET”端点，您可以使用 Postman 等工具。
要测试您的 POST 端点，您可以使用以下命令：
curl -X POST -H "Content-Type: application/json" -d '{"numbers": [1, 2, 3, 4, 5]}' http://localhost:3000/predict
这应该返回“[6]”的预测。
在本文中，我们向您展示了如何使用 TensorFlow.js 和 Node.js 创建 REST API。我们涵盖了启动和运行项目所需的所有步骤，包括安装所需的依赖项、设置项目和编写代码。
到本文结束时，您应该能够使用 TensorFlow.js 和 Node.js 创建自己的 REST API。