在 《TensorFlow Lite 是什么？用 TensorFlow Lite 来转换模型（附代码）》中我们已经介绍了可以帮助 TensorFlow 模型在移动设备以及嵌入式设备中运行的 TensorFlow Lite，TensorFlow 生态系统中还包括 TensorFlow.js，它可以帮助我们使用现成的 JavaScript 模型或转换 Python TensorFlow 模型以在浏览器中或 Node.js 下运行。
下面这张图总结了整个 TensorFlow 的生态系统：
和 TensorFlow Lite 不同的是，TensorFlow.js 还可以用来训练模型。它可以让我们在 JavaScript 中使用类似 keras 的代码语法，非常友好。
开发环境
有能力的朋友可以在任何 web/JavaScript 开发环境下来进行尝试，我们这里直接使用 brackets 官网给出的线上代码编辑器 Phoenix （进入官网后就会自动弹出提示）来进行演示。
进入 Phoenix 后会显示如下画面：
我们直接将 index.html 文件的内容清空，并先加入以下的大框架：
<html>
<head></head>
<body>
<h1>First HTML Page</h1>
</body>
</html>
构建第一个 TensorFlow.js 模型
在 <head> 以及 <body> 标签之间，我们添加下面的 script 标签来指定 TensorFlow.js 库的位置：
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"></script>
之后，我们在第一个 script 标签后添加第二个 script 标签，里面要定义我们的模型，语法和 python 非常相似，但要记得在结尾添加分号：
<script lang="js">
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});
接下来我们在 script 中添加我们的输入输出数据。JavaScript 里当然是没有 Numpy 数组的，所以我们使用 tf.tensor2d 来替代，但要注意在数据数组后还有第二个数组来指明数据的形状：
const xs = tf.tensor2d([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], [6, 1]);
const ys = tf.tensor2d([-3.0, -1.0, 2.0, 3.0, 5.0, 7.0], [6, 1]);
下一步，我们加入训练函数：
async function doTraining(model){
const history =
await model.fit(xs, ys,
{epochs: 500,
callbacks: {
onEpochEnd: async(epoch, logs) =>{
console.log("Epoch:"
+ epoch
+ " Loss:"
+ logs.loss);
}
}});
}
训练将会花费一段时间，所以我们最好将它设定为一个异步函数。然后我们等待 model.fit 这个异步方法执行完成。我们传入了 epochs 参数，并指定了一个回调以在每个 epoch 结束后报告训练损失。
最后我们需要做的就是调用 doTraining 方法，将模型传入其中：
doTraining(model).then(() => {
alert(model.predict(tf.tensor2d([10], [1, 1])));
});
完整的代码下面给出：
<html>
<head></head>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"></script>
<script lang="js">
async function doTraining(model){
const history =
await model.fit(xs, ys,
{
epochs: 500,
callbacks: {
onEpochEnd: async(epoch, logs) =>{
console.log("Epoch:"
+ epoch
+ " Loss:"
+ logs.loss);
}
}});
}
const model = tf.sequential();
model.add(tf.layers.dense({
units: 1, inputShape: [1]}));
model.compile({
loss: 'meanSquaredError', optimizer: 'sgd'});
model.summary();
const xs = tf.tensor2d([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], [6, 1]);
const ys = tf.tensor2d([-3.0, -1.0, 2.0, 3.0, 5.0, 7.0], [6, 1]);
doTraining(model).then(() => {
alert(model.predict(tf.tensor2d([10], [1, 1])));
});
</script>>
<body>
<h1>First HTML Page</h1>
</body>
</html>
点击 File -> Save File，代码会自动运行，如果已经保存，可以直接点击预览页面左上方的刷新按钮，稍等几秒（模型训练），会弹出以下对话框：
这就是输入数据为 [10] 时模型给出的预测结果！如果我们想查看模型每个 epoch 之后打印的训练损失，直接按下快捷键 Ctrl-Shift-I，并在弹出的面板上方选择 Console，就会有如下结果：
下面我们训练一个稍微复杂点的模型。
构建鸢尾花数据集分类器
鸢尾花数据集（.csv）共有 150 条数据，每条数据有 4 个特征（sepal length、sepal width、petal length、petal width），对应三种鸢尾花（setosa、versicolor、virginical）。鸢尾花数据集很容易找到，也可以从我这里下载：Iris 鸢尾花数据集（.csv 格式）。
通过常规的机器学习方法，我们可以对数据集做一些可视化，加深认识：
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv('../input/iris-dataset/iris.csv')
df.head(5)
"""
sepal_length sepal_width petal_length petal_width species
0 5.1 3.5 1.4 0.2 setosa
1 4.9 3.0 1.4 0.2 setosa
2 4.7 3.2 1.3 0.2 setosa
3 4.6 3.1 1.5 0.2 setosa
4 5.0 3.6 1.4 0.2 setosa
"""
我们可以通过 sns.pairplot() 画出两两特征之间的关系，且用种类进行划分：
sns.pairplot(df, kind = 'scatter', hue = 'species')
plt.show()
对角线上为每个种类在某个特征上的分布图，非对角线上则是两个特征选取不同值时对应的鸢尾花种类。
下面我们就开始在 Phoenix 中进行训练吧！
我们点击左上角的新建项目，在本地选择路径，创建新项目，然后将我们下载的 iris 数据集拖入我们项目保存的路径。
和之前一样，我们先添加以下大框架：
<html>
<head></head>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"></script>
<body>
<h1>Iris Classifier</h1>
</body>
</html>
我们可以使用 TensorFlow.js 的 tf.data.csv 来加载 CSV 文件，且可以通过它来指定标签对应的列：
<script lang="js">
async function run(){
const csvUrl = 'iris.csv';
const trainingData = tf.data.csv(csvUrl, {
columnConfigs: {
species: {
isLabel: true
}
}
});
}
</script>
species 对应的是种类名称的字符串，我们需要先将它转换为数值。我们这里使用独热编码来转换标签：
const convertedData = trainingData.map(({xs, ys}) => {
const labels = [
ys.species == 'setosa' ? 1 : 0,
ys.species == 'virginica' ? 1: 0,
ys.species == 'versicolor' ? 1 : 0
]
return {xs: Object.values(xs), ys: Object.values(labels)};
}).batch(10);
上述代码会将 ‘setosa’ 编码为 [1, 0, 0]，将 ‘virginica’ 编码为 [0, 1, 0]，而将 ‘versicolor’ 编码为 [0, 0, 1]，并返回和之前一样的数据集，除了 species 列的字符串已经被编码为独热向量。
下面我们定义并编译模型，输入层形状为输入特征数（列数减 1），输出层有 3 个神经元：
const numOfFeatures = (await trainingData.columnNames()).length - 1;
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [numOfFeatures],
activation: "sigmoid", units: 5}));
model.add(tf.layers.dense({activation: "softmax", units: 3}));
model.compile({loss: "categoricalCrossentropy",
optimizer: tf.train.adam(0.06)});
和之前不同，我们的数据是以数据集的形式组织的，所以训练时我们要使用 fitDataset 方法：
await model.fitDataset(convertedData,
{epochs:100,
callbacks:{
onEpochEnd: async(epoch, logs) =>{
console.log("Epoch: " + epoch + " Loss: " + logs.loss);
}
}});
如果要测试模型，我们可以使用之前用到的 tensor2d 来创建一个输入数据：
const testVal = tf.tensor2d([4.4, 2.9, 1.4, 0.2], [1, 4]);
alert(model.predict(testVal));
我们将完整代码给出：
<html>
<head></head>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"></script>
<script lang="js">
async function run(){
const csvUrl = 'iris.csv';
const trainingData = tf.data.csv(csvUrl, {
columnConfigs: {
species: {
isLabel: true
}
}
});
const convertedData = trainingData.map(({
xs, ys}) => {
const labels = [
ys.species == 'setosa' ? 1 : 0,
ys.species == 'virginica' ? 1: 0,
ys.species == 'versicolor' ? 1 : 0
]
return {
xs: Object.values(xs), ys: Object.values(labels)};
}).batch(10);
const numOfFeatures = (await trainingData.columnNames()).length - 1;
const model = tf.sequential();
model.add(tf.layers.dense({
inputShape: [numOfFeatures],
activation: "sigmoid", units: 5}));
model.add(tf.layers.dense({
activation: "softmax", units: 3}));
model.compile({
loss: "categoricalCrossentropy",
optimizer: tf.train.adam(0.06)});
await model.fitDataset(convertedData,
{
epochs:100,
callbacks:{
onEpochEnd: async(epoch, logs) =>{
console.log("Epoch: " + epoch + " Loss: " + logs.loss);
}
}});
const testVal = tf.tensor2d([4.4, 2.9, 1.4, 0.2], [1, 4]);
alert(model.predict(testVal));
}
run();
</script>
<body>
<h1>Iris Classifier</h1>
</body>
</html>
运行之后，会弹出如下结果：
我们可以对结果进一步优化，让其显示预测的具体种类：
const testVal = tf.tensor2d([4.4, 2.9, 1.4, 0.2], [1, 4]);
const prediction = model.predict(testVal);
const pIndex = tf.argMax(prediction, axis=1).dataSync();
const classNames = ["Setosa", "Virginica", "Versicolor"];
alert(classNames[pIndex]);
References
AI and Machine Learning for Coders by Laurence Moroney.