如何用JavaScript进行机器学习（使用TensorFlow.js）？-js教程-PHP中文网

如何用JavaScript进行机器学习（使用TensorFlow.js）？

幻影之瞳

发布： 2025-09-24 22:09:02

原创

965人浏览过

JavaScript可通过TensorFlow.js在浏览器或Node.js中实现机器学习。1. 通过CDN或npm安装并引入tfjs库；2. 创建线性回归模型，使用tensor1d准备数据，sequential构建网络，compile配置优化器与损失函数，fit训练模型，predict进行预测；3. 可加载预训练模型如MobileNet进行图像分类，利用fromPixels预处理图像；4. 结合摄像头实现实时推理，支持手势、姿态识别，也可导入Teachable Machine导出的模型。适合前端AI应用，但需注意数据格式、异步和内存管理。

如何用javascript进行机器学习（使用tensorflow.js）？

JavaScript也能做机器学习，靠的是 TensorFlow.js —— Google 推出的开源库，让你能在浏览器或 Node.js 环境中训练和部署机器学习模型。不需要 Python，直接用 JS 就行。

1. 安装并引入 TensorFlow.js

在项目中使用 TensorFlow.js 很简单，可以通过 CDN 快速引入，也可以通过 npm 安装。

• 浏览器中使用 CDN：

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

登录后复制

• Node.js 项目中安装：

npm install @tensorflow/tfjs

登录后复制

安装后就可以在代码中导入：

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

登录后复制

2. 创建和训练一个简单模型（以线性回归为例）

假设我们想拟合一条直线 y = 2x + 1。我们可以用 TensorFlow.js 构建一个神经网络来学习这个关系。

立即学习“Java免费学习笔记（深入）”；

• 准备数据：

const xs = tf.tensor1d([1, 2, 3, 4, 5]);
const ys = tf.tensor1d([3, 5, 7, 9, 11]); // y = 2x + 1

登录后复制

• 构建模型：

const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

登录后复制

• 编译模型：

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

登录后复制

• 训练模型：

async function train() {
  await model.fit(xs, ys, {
    epochs: 100,
    callbacks: {
      onEpochEnd: (epoch, logs) => {
        console.log(`Epoch ${epoch}: loss = ${logs.loss.toFixed(4)}`);
      }
    }
  });
}

登录后复制

• 使用模型预测：

train().then(() => {
  model.predict(tf.tensor1d([6])).print(); // 应输出接近 13
});

登录后复制

3. 加载预训练模型（迁移学习）

你不必每次都从头训练。TensorFlow.js 支持加载已训练好的模型，比如 MobileNet 图像分类模型。

豆包爱学

豆包旗下AI学习应用

674

查看详情

• 加载预训练图像分类模型：

const model = await tf.loadLayersModel('https://tfhub.dev/google/tfjs-model/imagenet/mobilenet_v1_025_224/classification/4/default/1');

登录后复制

• 预处理图像并预测：

const image = document.getElementById('img'); // <img id="img" src="...">
const tensor = tf.browser.fromPixels(image)
  .resizeNearestNeighbor([224, 224])
  .toFloat()
  .expandDims();

const prediction = model.predict(tensor);
prediction.print();

登录后复制