使用TensorFlow.js和Keras对图像进行分类

图片来源

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：-

在7分钟内了解TensorFlow.js
并了解如何直接在浏览器中运行ML / DL模型 。freecodecamp.org

下面是Final Web App的屏幕截图：

Web应用程序的屏幕截图

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。

屏幕截图显示了文件夹结构

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

MacOS的命令行

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：-

Forecast_with_tfjs.html

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。

Jupyter Notebook的屏幕截图，用于模型转换

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：-

ADLsourceCode / TensorflowJS
人们可以在GitHub上构建软件。 超过2千8百万的人使用GitHub来发现，发掘和贡献超过 github.com

您可以在下面的视频中观看完整的代码说明和实现：

资料来源：ADL

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