tensorflow.js相信使用过tf的人不陌生了，这个google推出了一个基于浏览器上使用gpu进行训练的机器学习库，但是他对于初学者不是很好学习，现在ml5诞生了，他是一个基于tensorflow.js封装的一个友好机器学习框架，他编写的代码跟容易被开发者阅读，ml5支持神经网络特征提取器、KNN分类器、均值、图像分类器、姿势识别、身体骨骼识别、UNET、手势识别、脸部识别、人脸接口、风格学习转移、物体检测、声音识别、音高检测、charRNN、文字情绪识别、词向量Word2Vec、对抗网络dcgan、生成模型CVAN、pix2pix、SketchRNN等模型。可以直接引用进行再训练，生成自己的模型数据。
下面的示例介绍了ml5.js通过机器学习的经典应用：图像分类。
此示例演示了如何通过ml5实现对图像的分类识别，比如下面是一只鸟，把他给ml5，他能是识别出这是一只小鸟，具体代码我们来讲解一下。
第 1 步：创建分类器并加载模型
在这里，我们定义创建一个MobileNet的图片分类器，并指定加载模型完成后的回调函数，注意此处加载了谷歌的模型文件mobilenet，请确保自己网络能够访问下载模型，模型文件比较大，需要一点时间。
const classifier = ml5.imageClassifier("MobileNet", onModelReady);第 2 步：加载图像
const img = document.querySelector("#myImage");第 3 步：分类预测和显示
在我们的分类器上调用 .classify() 来对我们的图像进行分类
您会注意到.classify()函数接受两个参数：1. 您要分类的图像，以及 2. 一个名为gotResult的回调函数。让我们看看gotResult做了什么。
let prediction = classifier.predict(img, gotResults);
第 4 步：定义 gotResult() 回调函数
所述gotResult（）函数有两个参数：1.误差，和2的结果。
当.classify()函数完成对图像的分类时，这些将传递给gotResult()。
如果出现错误，则会记录错误。如果我们的分类器设法识别图像的内容，那么将返回结果。
在我们的程序中，我们创建了一个div，用于显示已分类图像内容的标签和置信度。该NF（）函数是一个P5功能格式化我们的号码一个更好的字符串。
// 获取错误和识别结果时候执行
function gotResult(error, results) {
//显示错误
if (error) {
console.error(error);
} else {
// 这里会返回一个根据信心值排序的数组.
console.log(results);
console.log(`Label: ${results[0].label}`);
console.log(`Confidence: ${nf(results[0].confidence, 0, 2)}`);
}
}好了，我们来看看完整的示例代码：<html>
<head>
<meta charset="UTF-8">
<script type="text/javascript" src="//repo.bfw.wiki/bfwrepo/js/ml5.min.js"></script>
</head>
<!-- 特征提取器 -->
<body>
<img src="//repo.bfw.wiki/bfwrepo/image/5f9e2579b3e1f.png?x-oss-process=image/auto-orient,1/resize,m_fill,w_400,h_300,/quality,q_90" crossorigin="anonymous" id="myImage" />
<script>
// Step 1用MobileNet创建一个图片分类器
const classifier = ml5.imageClassifier("MobileNet", onModelReady);
// Step 2: 选择一个图片
const img = document.querySelector("#myImage");
// Step 3:用分类器对图片进行预测
let prediction = classifier.predict(img, gotResults);
// Step 4: 预测的结果返回
function gotResults(err, results) {
if (error) {
console.error(error);
} else {
// 这里会返回一个根据信心值排序的数组.
console.log(results);
console.log(`Label: ${results[0].label}`);
console.log(`Confidence: ${nf(results[0].confidence, 0, 2)}`);
}
}
function onModelReady() {
console.log('Model Loaded!');
}
</script>
</body>
</html>官方网址：https://ml5js.org/
{{collectdata}}
网友评论0