JavaScript 和 TensorFlow.js 实现前端的猫狗大战！

// 引入TensorFlow.js
const tf = require('@tensorflow/tfjs-node');
const tfnode = require('@tensorflow/tfjs-node');
const jpeg = require('jpeg-js');
 
// 加载模型和权重
async function loadModel() {
  const model = await tf.loadLayersModel('file:///model.json');
  const weights = await tf.loadWeights('file:///weights.bin');
  model.apply(weights);
  return model;
}
 
// 将图片转换为张量
function decodeImage(imageBuffer) {
  const img = jpeg.decode(imageBuffer);
  const imgData = new Uint8Array(img.data.length);
  for (let i = 0; i < imgData.length; i++) {
    imgData[i] = img.data[i];
  }
  const tensor = tf.node.decodeJpegTensor(imageBuffer);
  const batched = tensor.expandDims(0);
  return batched;
}
 
// 预测图片
async function predict(imageBuffer) {
  const model = await loadModel();
  const tensor = decodeImage(imageBuffer);
  const predictions = model.predict(tensor);
  const score = predictions.dataSync();
  return score[0];
}
 
// 示例：预测一张图片文件
const fs = require('fs');
const imagePath = 'path/to/your/image.jpg';
const imageBuffer = fs.readFileSync(imagePath);
predict(imageBuffer).then(score => {
  console.log('The probability that the image contains a cat is:', score);
});

这段代码展示了如何使用TensorFlow.js在Node.js环境中加载一个已经训练好的模型，并对单张图片进行预测。首先，我们引入了必要的模块，并定义了加载模型和权重的异步函数。然后，我们定义了将图片转换为张量的函数，以便输入到模型中。最后，我们提供了一个异步函数predict来实现图片的预测，并在示例中展示了如何对一张图片文件进行预测。