标签：offline androi 加载 alt using post请求 特性 增加 安全
(
本文内容为melodyWxy原作，git地址：https://github.com/melodyWxy/twa-tf.js ，
)
简单来讲，TWA(Trusted Web Activity 可信任的网络应用）即: 基于Chrome Custom Tabs，利用谷歌浏览器提供的api，实现强大功能的桌面应用技术。
如果说你对PWA这个概念有所了解，那么TWA的实现就相当于 PWA + 更丰富的原生API(以实现强大的原生功能)。
如果上面的描述，你依然没有清晰的认知，那么请先阅读下面的PWA和Chrome Custom Tabs介绍，然后再回过头来看这段解释。
PWA(Progressive Web Application)，译 渐进式网络应用程序，它起初的含义是 追求性能无限接近原生app的webapp。
现在它有了更官方的定义：PWA是一种可以提供类似于原生应用程序(native app)体验的网络应用程序(web app)。
whatever，差不多的意思。
PWA可以用来做很多事，包括在离线(offline)时应用程序能够继续运行功能(通过Service Workers技术实现)，以及作为桌面上的一个单独的app(web app)。
如果你对service workers技术尚不太了解，那么你暂时只需要知道它的作用——可以提供离线加载的功能。当然，或许你应该更深入地去学会应用它。
那么通过上述PWA的概念，我想我们可以推断出PWA的以下特性：
那么到现在为止，你应该理解了PWA是个什么东西————我们甚至可以称它为 桌面H5应用。
那么我们回过头来思考TWA应该具备怎样的特性，在这之前，我这里写了这样一个公式：
PWA + js Bridge(由谷歌浏览器提供的调用更底层能力的api) == TWA
这里抛出一个问题，native app和web app的最大的表现区别在哪？
我认为，是native app可以直接调用操作系统api的能力。
那么这时候，TWA的特性应当很自然地被我们推断出来：
所以说 TWA是集成native-app和web-app优点的app应用技术。
于是，我们大概知道TWA是个怎样的东西了。
但是我们仍然需要继续看下面对Chrome Custom Tabs的介绍，这方面我们更容易理解后面的实现流程。
这里先放一个官方介绍链接: Chrome Custom Tabs
Chrome Custom Tabs，译 谷歌自定义标签(或者谷歌定制标签)。
某方面来讲，它跟webview所做的事情相去不远。
我们要必要了解下webview的一些特征，以便分析CCT和webview不同的应用场景：
相较于webview，Chrome Custom Tab的特征：
(这部分内容来源于上面的官方链接)
如果您要在应用程序中托管自己的内容，则WebView是很好的解决方案。如果您的应用将用户定向到您域外的URL，则出于以下原因，我们建议您使用Chrome自定义标签：
当我们了解了 Chrome Custom Tabs，那么我们就很容易理解TWA技术所做的事情了：
基于Chrome Custom Tabs，隐藏掉地址栏的PWA应用，即为TWA。
你看多简单。
附上官方文档： TWA官方文档
那么，介绍完TWA，那么我们就讲讲它的实现流程，并且去配合我们的工具和代码去实现它。
实现TWA，我们不需要编写Java代码，但需要Android Studio这个工具。
这里直接附上官方文档：
ok，在download的过程中，泡杯咖啡或者泡杯茶，然后打开下方的官方链接了解一下它吧：
那么，如果你已经下载并安装完毕，那么我们将真正意义上进入开发流程。
值得一提的是：依赖Android Studio这个工具，以及几个写死的配置项，让我们可以屏蔽掉安卓原生层进行TPA的内容开发。但是如果想更深层地掌握TWA技术的话，那么还是需要多了解下安卓原生开发。
当然，在这里我们并不需要去做这些事。用熟悉的技术，屏蔽不熟悉的技术，完成其他端的内容开发，正是混合开发的意义所在。
那么，请仔细按照下方的步骤逐渐实现：
TensorFlow.js是TensorFlow在js的实现。
而TensorFlow则是AI > 机器学习 > 深度学习 的一个框架。(后者是前者的子集)
以下内容均来自于下文：
我们先来了解下 AI、机器学习、深度学习这三个概念：
简单来讲， AI 就是我们所说的 人工智能领域；
而 机器学习 是属于 实现 AI 的一种策略；
而 深度学习 是属于 实现 机器学习 的一种方式;
用一张图片来表达是这样的：
如上图可见，深度学习是机器学习的一个分支，而机器学习是AI的一个分支。
我们再简单了解下它们的学术性概念和相关方法论。
我们有必要先重新认知下“学习”这个概念：
赫伯特·西蒙教授（Herbert Simon，1975年图灵奖获得者、1978年诺贝尔经济学奖获得者）曾对“学习”给了一个定义：“如果一个系统，能够通过执行某个过程，就此改进了它的性能，那么这个过程就是学习”。
而机器学习的概念则是：
对于某类任务（Task，简称T）和某项性能评价准则（Performance，简称P），如果一个计算机程序在T上，以P作为性能的度量，随着很多经验（Experience，简称E）不断自我完善，那么我们称这个计算机程序在从经验E中学习了。
那么，根据上述的概念，我们知道，对于一个机器学习的问题，我们要明确这三个概念：
e(数据来源作为起始端) => e(end，结束端)
中间的过程？
机器学习的方法论就是始端直接到末端，中间过程是不可知的，并且因此难以知 ===> 这就是机器学习。
所以也有很多人批判深度学习是一个黑盒系统，它的性能很好，但却不知道为何而好，也就是说，缺乏解释性。
传统的机器学习方式，通常是用人类的先验知识，把原始数据预处理成各种特征（feature），然后对特征进行分类。
然而，这种分类的效果，高度取决于特征选取的好坏。传统的机器学习专家们，把大部分时间都花在如何寻找更加合适的特征上。
机器学习的专家们发现，可以让神经网络自己学习如何抓取数据的特征，这种学习的方式，效果更佳。于是兴起了特征表示学习（feature representation learning）的风潮。
这种学习方式，对数据的拟合也更加的灵活好用。于是，人们终于从自寻“特征”的中解脱出来。
但这种解脱也付出了代价，那就是机器自己学习出来的特征，它们存在于机器空间，完全超越了人类理解的范畴，对人而言，这就是一个黑盒世界。为了让神经网络的学习性能，表现得更好一些，人们只能依据经验，不断地尝试性地进行大量重复的网络参数调整。
再后来，网络进一步加深，出现了多层次的“表示学习”，它把学习的性能提升到另一个高度。这种学习的层次多了，就给它取了个特别的名称——Deep Learning（深度学习）。
上面的概念知识如果你没有看懂(这是大概率的事情)，那么无妨，因为我们的目的并不是训练出针对某种任务类型的模型，而是在应用内集成某种任务的AI能力,因此我们并不需要训练，只需“搬运”即可。
即： 我们引入别人训练好的模型，通过框架的api给它导入参数，并让它返回res。我们并不需要关心它的实现。
所以本次分享主题的由来：
举个例子：
小明想一夜暴富，于是他想预测下次的彩票开奖结果。
那么他确定了任务类型： 预测下次彩票开奖的结果。
于是小明向好基友AI大佬小华求助。
于是小华把训练好的模型给了小明，告诉他，只要对模型入参(E)开奖的日期"yyyy-mm-dd"，就会得出一个开奖结果(E)"x x x x x x x x" ;
于是小明就上车了。
小明第一次入参 2019-11-07， 得出结果： 1 2 3 4 5 6 7
小明坚信不疑，当场花了两元巨款，结果第二天就发现打了水漂——因为开奖结果是： 2 9 8 6 6 4 4
小明就问小华怎么回事，经过小华的解释，小明明白了：
实际输出值和预期输出值之间存在着“误差”，这种“误差”在AI术语里被称作loss(损失)。而模型训练师们，也是把loss当做训练的把手。(loss值越小，说明模型训练的越成功嘛)
所以我们在使用模型的时候，未必能得出正确的答案。因为模型得出的结果会存在loss。
比如说，前阵子公司里app组的大佬们写了一个 程序员鉴定 app。入参 人物图像， 得出图像中人物为程序员的概率。
经过大家的鉴定，有些结果与现实存在一定误差。
TensorFlow.js是一个开源的基于硬件加速的JavaScript库，用于训练和部署机器学习模型。谷歌推出的第一个基于TensorFlow的前端深度学习框架TensorFlow.js 是一个开源的用于开发机器学习项目的 WebGL-accelerated JavaScript 库。TensorFlow.js 可以为你提供高性能的、易于使用的机器学习构建模块，允许你在浏览器上训练模型，或以推断模式运行预训练的模型。TensorFlow.js 不仅可以提供低级的机器学习构建模块，还可以提供高级的类似 Keras 的 API 来构建神经网络。
不用安装驱动器和软件，通过链接即可分享程序
网页应用交互性更强
有访问GPS，Camera，Microphone，Accelerator，Gyroscope等传感器的标准api（主要是指手机端）
安全性，因为数据都是保存在客户端的
使用简单直观的API从头构建模型，然后使用低级别的JavaScript线性代数库或高层API进行训练。
使用TensorFlow.js模型转换器在浏览器中运行预训练好的TensorFlow模型。
使用连接到浏览器的传感器数据或其他客户端数据重新训练ML模型。
// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_0.html
// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_1.html
// model.save();
// 本地存储（浏览器） localstorage://
await model.save('localstorage://my-model-1');
// IndexedDB（浏览器） indexeddb://
await model.save('indexeddb://my-model-1');
//IndexedDB 是大多数主流Web浏览器支持的另一个客户端数据存储。与本地存储不同，它更好地支持存储大型二进制数据（BLOB）和更大的配额。因此，tf.Model与本地存储相比，保存到IndexedDB通常可以提供更好的存储效率和更大的大小限制。
// 触发文件下载到客户端本地保存（浏览器） downloads://
await model.save('downloads://my-model-1'); //json + 一个二进制文件
// HTTP请求（浏览器） http:// 要么 https:// POST请求的主体具有一个名为的格式 multipart/form-data。它是用于将文件上载到服务器的标准MIME格式。正文由两个文件组成，文件名model.json和文件名 model.weights.bin。
await model.save('http://model-server.domain/upload'); //简单的写法
await model.save(tf.io.browserHTTPRequest( //更详细的写法，便于控制post需求
'http://model-server.domain/upload',
{method: 'PUT', headers: {'header_key_1': 'header_value_1'}}));
// 文件系统（Node.js） file:// node-tf.js node端本地生成文件储存
await model.save('file:///tmp/my-model-1');// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_2.html
// tf.loadModel
const model = await tf.loadModel('https://foo.bar/tfjs_artifacts/model.json'); // tf.loadLayersModel 导入Layers模型
const model = await tf.loadLayersModel('https://foo.bar/tfjs_artifacts/model.json');// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_2.html
转keras是为了让python用 在python环境下 下载tensorflowjs这个转换器，即可将js-layers格式的模型转为python-keras模型
方案：
pip install tensorflowjs
tensorflowjs_converter --input_format tensorflowjs --output_format keras ./my-model-1.json /tmp/my-model-1.h5https://github.com/tensorflow/models/tree/master/research/slim
大前端技术系列：TWA技术+TensorFlow.js => 集成原生和AI功能的app
标签：offline androi 加载 alt using post请求 特性 增加 安全
原文地址：https://www.cnblogs.com/sanchang/p/11818604.html
