TensorFlow.js is een open-source bibliotheek waarmee developers machine learning modellen kunnen trainen en uitvoeren in JavaScript. Volg deze stappen om TensorFlow.js te gebruiken voor artificial intelligence:
1. Installatie: U kunt TensorFlow.js toevoegen aan uw project door deze in uw HTML-bestand te verbinden met het CDN of het te installeren via NPM in uw Node.js project.
- Voor gebruik in een browser, voeg de volgende tag toe aan je HTML-bestand:
\`\`\`html
\`\`\`
- Voor gebruik in Node.js, installeer het pakket met NPM:
\`\`\`shell
npm install @tensorflow/tfjs
\`\`\`
1. Model laden of creëren: Je kunt een voorgetraind model laden of je eigen model trainen. TensorFlow.js biedt een reeks hulpmiddelen voor het bouwen van modellen, genaamd Layers API, die vergelijkbaar zijn met die in TensorFlow voor Python.
1. Trainen van het model: Nadat je het model hebt gedefinieerd, kun je het trainen met je eigen data. Tijdens het trainingsproces optimaliseert het model zijn gewichten voor de gegeven input- en outputcombinaties.
1. Gebruik het model voor het maken van voorspellingen: Nadat het model is getraind, kun je het gebruiken om voorspellingen te doen. Afhankelijk van het type model dat je hebt getraind, kan dit een classificatie, regressie, clustering, etc. zijn.
1. Evalueer het model: Nadat het model is getraind en voorspellingen heeft gedaan, moet je controleren hoe nauwkeurig de voorspellingen zijn. Dit helpt je te bepalen hoe goed jouw model presteert.
Voorbeeld van code voor een eenvoudig lineair regressiemodel in TensorFlow.js:
```
import * as tf from ‘@tensorflow/tfjs’;
// Creëren van een simpel lineair regressie model
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
// Voorbereiden van het model voor training
model.compile({loss: ‘meanSquaredError’, optimizer: ‘sgd’});
// Sample data geven voor training
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);
// Trainen van het model
await model.fit(xs, ys, {epochs: 250});
// Voorspelling doen
model.predict(tf.tensor2d(5, [1, 1])).print(); // Output: 9
```
In dit voorbeeld maakt het model gebruik van een sequentieel model voor een eenvoudige lineaire regressie. De model.compilatiemethode bereidt het model voor training. De fit-methode traint het model met labeldata (`xs` en `ys`). Ten slotte voorspelt de predict-methode de output voor een nieuwe input.
