TensorFlow.js'yi kullanmaya başlayın

TensorFlow.js, makine öğrenimi modellerini web tarayıcısında ve Node.js'de eğitmeye ve dağıtmaya yönelik bir JavaScript kitaplığıdır. Bu eğitim, tarayıcıda minimal bir model eğiterek ve modeli tahmin yapmak için kullanarak TensorFlow.js'yi kullanmaya nasıl başlayacağınızı gösterir.

Örnek kod GitHub'da mevcuttur.

Önkoşullar

Bu öğreticiyi tamamlamak için geliştirme ortamınızda aşağıdakilerin yüklü olması gerekir:

Örneği yükleyin

Kaynak kodunu alın ve bağımlılıkları yükleyin:

  1. tfjs-examples deposunu klonlayın veya indirin.
  2. getting-started dizinine geçin: cd tfjs-examples/getting-started .
  3. Bağımlılıkları yükleyin: yarn install .

package.json dosyasına bakarsanız TensorFlow.js'nin bir bağımlılık olmadığını fark edebilirsiniz. Bunun nedeni, örneğin TensorFlow.js'yi bir CDN'den yüklemesidir. İşte index.html HTML'nin tamamı:

<html>
  <head>
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"> </script>
  </head>
  <body>
    <h4>Tiny TFJS example<hr/></h4>
    <div id="micro-out-div">Training...</div>
    <script src="./index.js"> </script>
  </body>
</html>

Başlıktaki <script> öğesi TensorFlow.js kitaplığını yükler ve gövdenin sonundaki <script> öğesi makine öğrenimi komut dosyasını yükler.

TensorFlow.js'ye bağımlılık kazanmanın diğer yolları için kurulum eğitimine bakın.

Örneği çalıştırın

Örneği çalıştırın ve sonuçları kontrol edin:

  1. tfjs-examples/getting-started dizininde, yarn watch çalıştırın.
  2. Tarayıcınızda http://127.0.0.1:1234 adresine gidin.

Bir sayfa başlığı ve onun altında 38.31612014770508 gibi bir sayı görmelisiniz. Kesin sayı değişebilir ancak 39'a yakın olması gerekir.

Az önce ne oldu?

index.js yüklendiğinde, $ y = 2x - 1 $ denklemini karşılayan $ x $ ve $ y $ değerlerini kullanarak bir tf.sequential modeli eğitir.

// Create a simple model.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Prepare the model for training: Specify the loss and the optimizer.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Generate some synthetic data for training. (y = 2x - 1)
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

// Train the model using the data.
await model.fit(xs, ys, {epochs: 250});

Daha sonra görünmeyen $ x $ değeri 20 için bir $ y $ değeri tahmin eder ve tahmini görüntülemek için DOM'u günceller.

// Use the model to do inference on a data point the model hasn't seen.
// Should print approximately 39.
document.getElementById('micro-out-div').innerText =
    model.predict(tf.tensor2d([20], [1, 1])).dataSync();

$ 2 * 20 - 1 $ sonucu 39 olduğu için tahmin edilen $ y $ değerinin yaklaşık 39 olması gerekir.

Sıradaki ne

Bu eğitimde, tarayıcıda bir modeli eğitmek için TensorFlow.js kullanımının minimal bir örneği sağlanmıştır. JavaScript ile eğitim modellerine daha ayrıntılı bir giriş için TensorFlow.js kılavuzuna bakın.

Başlamak için daha fazla yol

TensorFlow.js ve web ML'yi kullanmaya başlamanın daha fazla yolunu burada bulabilirsiniz.

TensorFlow.js web makine öğrenimi kursunu izleyin

Web ML'ye pratik bir giriş arayan bir web geliştiricisiyseniz Google Developers'ın Web Geliştiricileri için Makine Öğrenimi video kursuna göz atın. Kurs size TensorFlow.js'yi web sitelerinizde ve uygulamalarınızda nasıl kullanacağınızı gösterir.

Web makine öğrenimi kursuna gidin

Doğrudan tensörlerle uğraşmadan ML programlarını kodlayın

Optimize edicileri veya tensör manipülasyonunu yönetmeden makine öğrenimine başlamak istiyorsanız ml5.js kitaplığına göz atın.

TensorFlow.js'nin üzerine inşa edilen ml5.js kitaplığı, kısa ve ulaşılabilir bir API ile web tarayıcısındaki makine öğrenimi algoritmalarına ve modellerine erişim sağlar.

Ml5.js'ye göz atın

TensorFlow.js'yi yükleyin

Web tarayıcısında veya Node.js'de uygulama için TensorFlow.js'nin nasıl kurulacağını görün.

TensorFlow.js'yi yükleyin

Önceden eğitilmiş modelleri TensorFlow.js'ye dönüştürün

Önceden eğitilmiş modelleri Python'dan TensorFlow.js'ye nasıl dönüştüreceğinizi öğrenin.

Keras Modeli GraphDef Modeli

Mevcut TensorFlow.js kodundan öğrenin

tfjs-examples deposu, TensorFlow.js'yi kullanan çeşitli makine öğrenimi görevleri için küçük örnek uygulamalar sağlar.

GitHub'da tfjs örneklerini görüntüleyin

TensorFlow.js modelinizin davranışını görselleştirin

tfjs-vis TensorFlow.js ile kullanılması amaçlanan web tarayıcısında görselleştirmeye yönelik küçük bir kitaplıktır.

GitHub'da tfjs-vis'i görüntüleyin Demoya Bakın

TensorFlow.js ile verileri işlenmek üzere hazırlayın

TensorFlow.js, ML'nin en iyi uygulamalarını kullanarak verileri işleme desteğine sahiptir.

Belgeleri Görüntüle

,

TensorFlow.js, makine öğrenimi modellerini web tarayıcısında ve Node.js'de eğitmeye ve dağıtmaya yönelik bir JavaScript kitaplığıdır. Bu eğitim, tarayıcıda minimal bir model eğiterek ve modeli tahmin yapmak için kullanarak TensorFlow.js'yi kullanmaya nasıl başlayacağınızı gösterir.

Örnek kod GitHub'da mevcuttur.

Önkoşullar

Bu öğreticiyi tamamlamak için geliştirme ortamınızda aşağıdakilerin yüklü olması gerekir:

Örneği yükleyin

Kaynak kodunu alın ve bağımlılıkları yükleyin:

  1. tfjs-examples deposunu klonlayın veya indirin.
  2. getting-started dizinine geçin: cd tfjs-examples/getting-started .
  3. Bağımlılıkları yükleyin: yarn install .

package.json dosyasına bakarsanız TensorFlow.js'nin bir bağımlılık olmadığını fark edebilirsiniz. Bunun nedeni, örneğin TensorFlow.js'yi bir CDN'den yüklemesidir. İşte index.html HTML'nin tamamı:

<html>
  <head>
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"> </script>
  </head>
  <body>
    <h4>Tiny TFJS example<hr/></h4>
    <div id="micro-out-div">Training...</div>
    <script src="./index.js"> </script>
  </body>
</html>

Başlıktaki <script> öğesi TensorFlow.js kitaplığını yükler ve gövdenin sonundaki <script> öğesi makine öğrenimi komut dosyasını yükler.

TensorFlow.js'ye bağımlılık kazanmanın diğer yolları için kurulum eğitimine bakın.

Örneği çalıştırın

Örneği çalıştırın ve sonuçları kontrol edin:

  1. tfjs-examples/getting-started dizininde, yarn watch çalıştırın.
  2. Tarayıcınızda http://127.0.0.1:1234 adresine gidin.

Bir sayfa başlığı ve onun altında 38.31612014770508 gibi bir sayı görmelisiniz. Kesin sayı değişebilir ancak 39'a yakın olması gerekir.

Az önce ne oldu?

index.js yüklendiğinde, $ y = 2x - 1 $ denklemini karşılayan $ x $ ve $ y $ değerlerini kullanarak bir tf.sequential modeli eğitir.

// Create a simple model.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Prepare the model for training: Specify the loss and the optimizer.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Generate some synthetic data for training. (y = 2x - 1)
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

// Train the model using the data.
await model.fit(xs, ys, {epochs: 250});

Daha sonra görünmeyen $ x $ değeri 20 için bir $ y $ değeri tahmin eder ve tahmini görüntülemek için DOM'u günceller.

// Use the model to do inference on a data point the model hasn't seen.
// Should print approximately 39.
document.getElementById('micro-out-div').innerText =
    model.predict(tf.tensor2d([20], [1, 1])).dataSync();

$ 2 * 20 - 1 $ sonucu 39 olduğu için tahmin edilen $ y $ değerinin yaklaşık 39 olması gerekir.

Sıradaki ne

Bu eğitimde, tarayıcıda bir modeli eğitmek için TensorFlow.js kullanımının minimal bir örneği sağlanmıştır. JavaScript ile eğitim modellerine daha ayrıntılı bir giriş için TensorFlow.js kılavuzuna bakın.

Başlamak için daha fazla yol

TensorFlow.js ve web ML'yi kullanmaya başlamanın daha fazla yolunu burada bulabilirsiniz.

TensorFlow.js web makine öğrenimi kursunu izleyin

Web ML'ye pratik bir giriş arayan bir web geliştiricisiyseniz Google Developers'ın Web Geliştiricileri için Makine Öğrenimi video kursuna göz atın. Kurs size TensorFlow.js'yi web sitelerinizde ve uygulamalarınızda nasıl kullanacağınızı gösterir.

Web makine öğrenimi kursuna gidin

Doğrudan tensörlerle uğraşmadan ML programlarını kodlayın

Optimize edicileri veya tensör manipülasyonunu yönetmeden makine öğrenimine başlamak istiyorsanız ml5.js kitaplığına göz atın.

TensorFlow.js'nin üzerine inşa edilen ml5.js kitaplığı, kısa ve ulaşılabilir bir API ile web tarayıcısındaki makine öğrenimi algoritmalarına ve modellerine erişim sağlar.

Ml5.js'ye göz atın

TensorFlow.js'yi yükleyin

Web tarayıcısında veya Node.js'de uygulama için TensorFlow.js'nin nasıl kurulacağını görün.

TensorFlow.js'yi yükleyin

Önceden eğitilmiş modelleri TensorFlow.js'ye dönüştürün

Önceden eğitilmiş modelleri Python'dan TensorFlow.js'ye nasıl dönüştüreceğinizi öğrenin.

Keras Modeli GraphDef Modeli

Mevcut TensorFlow.js kodundan öğrenin

tfjs-examples deposu, TensorFlow.js'yi kullanan çeşitli makine öğrenimi görevleri için küçük örnek uygulamalar sağlar.

GitHub'da tfjs örneklerini görüntüleyin

TensorFlow.js modelinizin davranışını görselleştirin

tfjs-vis TensorFlow.js ile kullanılması amaçlanan web tarayıcısında görselleştirmeye yönelik küçük bir kitaplıktır.

GitHub'da tfjs-vis'i görüntüleyin Demoya Bakın

TensorFlow.js ile verileri işlenmek üzere hazırlayın

TensorFlow.js, ML'nin en iyi uygulamalarını kullanarak verileri işleme desteğine sahiptir.

Belgeleri Görüntüle