使用TensorFlow.js和Keras对图像进行分类
我们将构建一个深度神经网络,该网络可以使用JavaScript和TensorFlow.js在客户端上以高精度识别图像,同时说明整个过程中使用的技术。
阅读以下文章,以更轻松地了解TensorFlow.js:-
下面是Final Web App的屏幕截图:
首先-我们将创建一个文件夹(VGG16_Keras_To_TensorflowJS),其中包含两个子文件夹localserver和static。 localserver文件夹应包含所有服务器NodeJS代码,而static将具有所有CSS,HTML和JS代码。
注意:您可以根据自己的选择命名文件夹和文件。
服务器配置:
我们将使用以下代码手动创建package.json文件:-
{
"name": "tensorflowjs",
"version": "1.0.0",
"dependencies": {
"express": "latest"
}}
package.json文件记录了我们将在该项目中使用的所有第三方软件包。保存package.json文件后,我们将打开命令行&在命令行中,将导航至localserver文件夹,并执行 :-
npm install
这样做,NPM将执行并确保package.json中提到的所有必需软件包都已安装并可以使用。您将在localserver文件夹中观察到一个node_modules文件夹。
我们将使用以下代码创建server.js文件:-
server.js包含NodeJS代码,该代码允许托管运行WebApp的本地服务器。
客户端配置:
接下来我们将创建一个Forecast_with_tfjs.html。以下是相同的代码:-
一旦HTML代码完成后,我们将创建JavaScript文件并调用它predict.js。下面是代码: -
型号配置:
客户端和服务器端代码完成后。 现在我们需要一个DL / ML模型来预测图像,然后将训练好的模型(VGG16)从Keras导出到TensorFlow.js,并将输出保存在静态文件夹内的名为VGG的文件夹中。
定义班级
我们将imagenet_classes.js保留在静态文件夹中。此文件包含所有ImageNet类的列表。 您可以从 此处 下载此文件 。
测试代码
完成所有设置后,我们将打开命令行并导航到localserver文件夹execute:
node server.js
我们应该观察以下输出:
成功执行服务器端代码后,我们现在可以转到浏览器并打开http:// localhost:8080 / predict_with_tfjs.html 。
如果客户端代码没有错误,则应用程序将启动,并且模型将自动开始加载。
一旦模型加载完毕,就可以进行预测了 。
我的下一篇文章将涵盖金融时间序列分析,使用Tensorflow.js ...... 敬请期待 。
该项目的GitHub存储库:-
您可以在下面的视频中观看完整的代码说明和实现:
祝你好运! ????
感谢您的阅读 。如果您有任何疑问,请在下面的评论或Twitter中让我知道。 订阅我的YouTube频道以获取更多技术视频: ADL 。
From: https://hackernoon.com/classifying-images-using-tensorflow-js-keras-58431c4df04