TensorFlow.js 在 Node.js 中

本指南介绍了适用于 Node.js 的 TensorFlow.js 包和 API。

要了解如何在 Node.js 中安装 TensorFlow.js，请参阅设置教程。有关安装和支持的更多信息，请参阅TensorFlow.js for Node.js 存储库。

TensorFlow CPU

TensorFlow CPU 包可以按如下方式导入

import * as tf from '@tensorflow/tfjs-node'

从该包导入 TensorFlow.js 时，您将获得一个由 TensorFlow C 二进制文件加速并在 CPU 上运行的模块。CPU 上的 TensorFlow 使用硬件加速来优化线性代数计算。

此包适用于支持 TensorFlow 的 Linux、Windows 和 macOS 平台。

TensorFlow GPU

TensorFlow GPU 包可以按如下方式导入

import * as tf from '@tensorflow/tfjs-node-gpu'

与 CPU 包一样，该模块由 TensorFlow C 二进制文件加速。但 GPU 包使用 CUDA 在 GPU 上运行张量操作，因此它仅在 Linux 上可用。此绑定至少比其他绑定选项快一个数量级。

适用于纯 JavaScript 的 TensorFlow

TensorFlow.js 还有一个在 CPU 上运行纯 JavaScript 的版本。可以按如下方式导入

import * as tf from '@tensorflow/tfjs'

此包与您在浏览器中使用的包相同。在此包中，操作在 CPU 上的普通 JavaScript 中运行。此包比其他包小得多，因为它不需要 TensorFlow 二进制文件，但它也慢得多。

由于此包不依赖于 TensorFlow，因此它可以在支持 Node.js 的更多设备中使用。它不限于支持 TensorFlow 的 Linux、Windows 和 macOS 平台。

生产注意事项

Node.js 绑定为 TensorFlow.js 提供了一个后端，该后端以同步方式实现操作。这意味着，例如，当您调用 tf.matMul(a, b) 之类的操作时，它将阻塞主线程，直到操作完成。

因此，绑定非常适合脚本和离线任务。如果您想在 Web 服务器等生产应用程序中使用 Node.js 绑定，则应设置作业队列或设置工作线程，以使您的 TensorFlow.js 代码不会阻塞主线程。

API

当您使用上述任何选项将包导入为 tf 时，所有正常的 TensorFlow.js 符号都将出现在导入的模块上。

tf.browser

tf.browser.* 命名空间中的 API 在 Node.js 中不可用，因为它们依赖于特定于浏览器的 API。有关 tf.browser API 的列表，请参阅浏览器。

tf.node

两个 Node.js 包还提供了一个命名空间 tf.node，其中包含特定于 Node.js 的 API（例如，TensorBoard）。

以下是在 Node.js 中将摘要导出到 TensorBoard 的示例

const model = tf.sequential();
model.add(tf.layers.dense({ units: 1, inputShape: [200] }));
model.compile({
  loss: 'meanSquaredError',
  optimizer: 'sgd',
  metrics: ['MAE']
});

// Generate some random fake data for demo purposes.
const xs = tf.randomUniform([10000, 200]);
const ys = tf.randomUniform([10000, 1]);
const valXs = tf.randomUniform([1000, 200]);
const valYs = tf.randomUniform([1000, 1]);

// Start model training process.
async function train() {
  await model.fit(xs, ys, {
    epochs: 100,
    validationData: [valXs, valYs],
    // Add the tensorBoard callback here.
    callbacks: tf.node.tensorBoard('/tmp/fit_logs_1')
  });
}
train();