Utiliser des fonctions JavaScript pour implémenter la prédiction et la classification du machine learning

Avec le développement de la technologie de l'intelligence artificielle, l'apprentissage automatique est devenu un domaine technique populaire. Parmi eux, JavaScript est un langage de programmation largement utilisé, et nous pouvons utiliser ses fonctions pour mettre en œuvre la prédiction et la classification de l'apprentissage automatique. Voyons ensuite comment utiliser les fonctions JavaScript pour mettre en œuvre l'apprentissage automatique.

Tout d'abord, nous devons introduire une bibliothèque JavaScript très importante : TensorFlow.js. Cette bibliothèque nous aide à utiliser des modèles d'apprentissage automatique en JavaScript pour la prédiction et la classification. Avant de commencer à écrire du code, nous devons installer cette bibliothèque. Vous pouvez l'installer avec la commande suivante :

npm install @tensorflow/tfjs

Après l'installation, nous pouvons commencer à écrire du code JavaScript.

1. Effectuer une régression linéaire

La régression linéaire est l'une des méthodes d'apprentissage automatique les plus élémentaires, qui peut nous aider à créer un modèle linéaire pour analyser la relation entre les données. En JavaScript, la régression linéaire peut être implémentée à l'aide de la bibliothèque TensorFlow.js. Voici un exemple simple :

// 定义输入数据
const xs = tf.tensor([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor([1, 3, 5, 7], [4, 1]);

// 定义模型和训练参数
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

// 训练模型
model.fit(xs, ys, {epochs: 100}).then(() => {
  // 预测
  const output = model.predict(tf.tensor([5], [1, 1]));
  output.print();
});

Dans cet exemple, nous définissons les données d'entrée et définissons un modèle linéaire à l'aide de TensorFlow.js. Les paramètres de formation incluent l'optimiseur sgd et l'erreur quadratique moyenne. Après avoir entraîné le modèle, nous pouvons utiliser la fonction de prévision pour faire des prédictions.

2. Classification d'images

En plus de la régression linéaire, nous pouvons également utiliser TensorFlow.js pour la classification d'images. Voici un exemple simple :

// 加载模型
const model = await tf.loadLayersModel('http://localhost:8000/model.json');

// 加载图像并进行预测
const img = new Image();
img.src = 'cat.jpg';
img.onload = async function() {
  const tensor = tf.browser.fromPixels(img)
      .resizeNearestNeighbor([224, 224]) // 调整图像大小
      .expandDims() // 扩展图像维度
      .toFloat() // 转换为浮点数
      .reverse(-1); // 反转通道

  const predictions = await model.predict(tensor).data();
  console.log(predictions);
}

Dans cet exemple, nous chargeons d'abord un modèle pré-entraîné et le chargeons à l'aide de la fonction loadLayersModel. Nous avons ensuite chargé une image et utilisé TensorFlow.js pour redimensionner, agrandir les dimensions, la convertir en flottants et inverser les canaux. Enfin, nous utilisons la fonction prédire pour effectuer des prédictions de classification d'images et la fonction console.log pour afficher les résultats de prédiction.

A travers ces deux exemples, nous pouvons voir qu'il n'est pas difficile d'utiliser des fonctions JavaScript pour mettre en œuvre la prédiction et la classification du machine learning. Bien entendu, il ne s’agit que d’une pratique d’entrée de gamme. Si vous souhaitez en savoir plus sur l'apprentissage automatique et JavaScript, vous devez approfondir les connaissances pertinentes et pratiquer davantage.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!