TensorFlow.js:为网络及以后的网络进行机器学习 (TensorFlow.js: Machine Learning for the Web and Beyond)

Daniel Smilkov,Nikhil Thorat,Yannick Assogba,Ann Yuan,Nick Kreeger,Ping Yu,Kangyi Zhang,Shanqing Cai,Eric Nielsen,David Soergel,Stan Bileschi,Michael Terry,Charles Nicholson,Sandeep N. Gupta,Sarah Sirajuddin,D. Sculley,Rajat Monga,Greg Corrado,Fernanda B. Viégas,Martin Wattenberg

from arxiv, 10 pages, expanded performance section, fixed page breaks in code listings

TensorFlow.js is a library for building and executing machine learning algorithms in JavaScript. TensorFlow.js models run in a web browser and in the Node.js environment. The library is part of the TensorFlow ecosystem, providing a set of APIs that are compatible with those in Python, allowing models to be ported between the Python and JavaScript ecosystems. TensorFlow.js has empowered a new set of developers from the extensive JavaScript community to build and deploy machine learning models and enabled new classes of on-device computation. This paper describes the design, API, and implementation of TensorFlow.js, and highlights some of the impactful use cases.

翻译：TensorFlow.js是JavaScript. TensorFlow.js 在网络浏览器和Node.js环境中运行的模型的图书馆,它是TensorFlow生态系统的一部分,提供一套与Python生态系统相容的API,使模型能够移植在Python和JavaScript生态系统之间。TensorFlow.js授权了来自广泛的 JavaScript 社区的一组新的开发者建立和部署机器学习模型,并启用了新型的在设备上计算。本文描述了TensorFlow.js的设计、API和实施情况,并突出了一些影响性使用案例。

相关内容

Machine Learning

关注 2218

机器学习（Machine Learning）是一个研究计算学习方法的国际论坛。该杂志发表文章，报告广泛的学习方法应用于各种学习问题的实质性结果。该杂志的特色论文描述研究的问题和方法，应用研究和研究方法的问题。有关学习问题或方法的论文通过实证研究、理论分析或与心理现象的比较提供了坚实的支持。应用论文展示了如何应用学习方法来解决重要的应用问题。研究方法论文改进了机器学习的研究方法。所有的论文都以其他研究人员可以验证或复制的方式描述了支持证据。论文还详细说明了学习的组成部分，并讨论了关于知识表示和性能任务的假设。官网地址：http://dblp.uni-trier.de/db/journals/ml/

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集

专知会员服务

160+阅读 · 2020年3月18日