引 言
在本文中，你將學習如何建立一個簡單的“可學習機器”。這是一個自定義的影象分類器，你將使用 TensorFlow.js 這個強大而靈活的 Javascript 機器學習庫，在瀏覽器中即時訓練。首先，你將載入並執行一個名為 MobileNet 的流行的預訓練模型來在瀏覽器中進行影象分類。然後，你將使用“遷移學習”技術，這項技術將使用預訓練好的 MobileNet 模型為你的應用定製以及引導訓練。
你將學到什麼？
√ 如何載入預訓練的 MobileNet 模型並對新資料進行預測
√ 如何通過網路攝像頭進行預測
√ 如何使用 MobileNet 模型的內部啟用值，在一套由網路攝像頭動態定義的新類上做遷移學習
讓我們開始吧！
準備你將需要如下準備：
1.Chrome 或其他現代瀏覽器的最新版本。
2.一個文字編輯器，可以在你的機器上本地執行，也可以通過 Codepen 或 Glitch 等在 Web 上執行。
3.了解 HTML、CSS、JavaScripe 和 Chrome 開發者工具（或你首選瀏覽器的開發者工具）。
載入 TensorFlow.js 和 MobileNet 模型在編輯器中開啟 index.html 並新增以下內容：
在瀏覽器中設定 MobileNet 用於預測接下來，在程式碼編輯器中開啟/建立 index.js 檔案，新增以下程式碼：
在瀏覽器中測試 MobileNet 的預測如果要執行該網頁，你只需要在 Web 瀏覽器中開啟 index.html 即可。如果你正在使用雲控制檯，只需重新整理預覽頁面。
這個影象是否被正確分類？
值得注意的是，這也適用於手機！
通過網路攝像頭影象在瀏覽器中執行 MobileNet 預測現在，讓我們讓它更具互動性和實時性。讓我們設定網路攝像頭來預測由網路攝像頭傳輸的影象。
首先要設定網路攝像頭的視訊元素。開啟 index.html 檔案，在 <body> 部分中新增如下行，並刪除我們用於載入狗影象的 <img> 標籤。
開啟 index.js 檔案並將 webcamElement 新增到檔案的最頂部。
在同一個 index.js 檔案中，在呼叫 “app()” 函式之前新增網路攝像頭的設定函式：
如果你在網頁中開啟控制檯，現在你應該會看到 MobileNet 的預測和網路攝像頭收集到的每一幀影象。這可能有些荒謬，因為 ImageNet 資料集看起來不太像出現在網路攝像頭中的影象。你可以把狗的照片放在你的手機上，再放在膝上型電腦的攝像頭前來測試這一點。
在 MobileNet 預測的基礎上新增一個自定義的分類器現在，讓我們把它變得更加實用。我們使用網路攝像頭動態建立一個自定義的 3 物件的分類器。我們將通過 MobileNet 進行分類，但這次我們將使用特定網路攝像頭影象在模型的內部表示（啟用值）來進行分類。
我們將使用一個叫做 "K-Nearest Neighbors Classifier" 的模組，他將有效的讓我們把攝像頭採集的影象（實際上是 MobileNet 中的啟用值）分成不同的類別，當用戶要求做出預測時，我們只需選擇擁有與待預測影象最相似的啟用值的類即可。
在 index.html 的 <head> 標籤的末尾新增 KNN 分類器的匯入（你仍然需要 MobileNet，所以不要刪除它的匯入）：
在 index.js 的頂部，建立一個分類器
更新 app 函式
現在，當你載入 index.html 頁面時，你可以使用常用物件或面部表情/手勢為這三個類中的每一個類捕獲影象。每次單擊其中一個 "Add" 按鈕，就會向該類新增一個影象作為訓練例項。當你這樣做的時候，模型會繼續預測網路攝像頭的影象，並實時顯示結果。
可選項：擴充套件示例現在嘗試新增另一個代表沒有動作的類！
你學到了什麼你使用 Tensorflow.js 實現了一個簡單的機器學習 Web 應用程式。你載入並使用了一個預訓練過的 MobileNet 模型來對來自網路攝像頭中的影象進行分類然後自定義了模型，將影象分類為三個自定義的類別。
原文連結：https://codelabs.developers.google.com/codelabs/tensorflowjs-teachablemachine-codelab/#0