来源：https://tensorflow.google.cn/js/tutorials/setup

浏览器安装

使用脚本标签(script tags)

将以下脚本标签添加到主HTML文件中：

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

示例

//定义一个线性回归模型。
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

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

// 为训练生成一些合成数据
const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

// 使用数据训练模型
model.fit(xs, ys, {epochs: 10}).then(() => {
// 在该模型从未看到过的数据点上使用模型进行推理

  model.predict(tf.tensor2d([5], [1, 1])).print();
  // 打开浏览器开发工具查看输出
});
  

使用NPM安装

您可以使用 npm cli工具或是yarn安装TensorFlow.js。
从NPM安装可以使用Parcel, WebPack或是 Rollup这样的构建工具进行打包。

yarn add @tensorflow/tfjs
或
npm install @tensorflow/tfjs

示例

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

//定义一个线性回归模型。
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

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

// 为训练生成一些合成数据
const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

// 使用数据训练模型
model.fit(xs, ys, {epochs: 10}).then(() => {
  // 在该模型从未看到过的数据点上使用模型进行推理
  model.predict(tf.tensor2d([5], [1, 1])).print();
  //  打开浏览器开发工具查看输出
});
  

Node.js 安装

Node.js版本的tensorflow.js可以分为CPU版、GPU版、纯JavaScript版本，可以使用 npm cli工具或是yarn安装TensorFlow.js。

CPU版

yarn add @tensorflow/tfjs-node
或
npm install @tensorflow/tfjs-node

GPU版（仅限Linux）

需要系统具有支持CUDA的NVIDIA®GPU

yarn add @tensorflow/tfjs-node-gpu
或
npm install @tensorflow/tfjs-node-gpu

纯JavaScript版本

yarn add @tensorflow/tfjs
或
npm install @tensorflow/tfjs

实例

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

// 可选加载绑定：
// 如果使用GPU运行，请使用'@tensorflow/tfjs-node-gpu'
require('@tensorflow/tfjs-node');

// 训练一个简单模型:
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}`)
  }
});