TensorFlow do programowania w JavaScript
Przed rozpoczęciem korzystania z poniższych materiałów szkoleniowych powinieneś:
Zadbaj o wygodę programowania w przeglądarce przy użyciu HTML, CSS i JavaScript
Zapoznaj się z używaniem wiersza poleceń do uruchamiania skryptów Node.js
Ten program jest przeznaczony dla osób, które chcą:
Twórz modele ML w JavaScript
Uruchamiaj istniejące modele w dowolnym miejscu, w którym można uruchomić JavaScript
Wdrażaj modele ML w przeglądarkach internetowych
TensorFlow.js umożliwia tworzenie lub wykonywanie modeli ML w JavaScript i używanie ML bezpośrednio po stronie klienta przeglądarki, po stronie serwera przez Node.js, natywne dla urządzeń mobilnych poprzez React Native, natywne dla komputerów stacjonarnych poprzez Electron, a nawet na urządzeniach IoT poprzez Node.js na Raspberry Pi. Aby dowiedzieć się więcej o TensorFlow.js i co można z nim zrobić, zapoznaj się z tym wykładem na Google I/O.
Krok 1: zapoznaj się z uczeniem maszynowym w przeglądarce
Aby uzyskać szybkie wprowadzenie do podstaw ML w JavaScript, weź udział we własnym kursie Edx lub obejrzyj poniższe filmy, które przeprowadzą Cię od pierwszych zasad, do korzystania z istniejących gotowych modeli, a nawet budowania własnej sieci neuronowej do klasyfikacji. Możesz również wypróbować Tworzenie inteligentnej kamery internetowej w Laboratorium kodowania JavaScript , aby uzyskać interaktywny opis tych pojęć.
To wysokopoziomowe wprowadzenie do uczenia maszynowego w JavaScript jest przeznaczone dla twórców stron internetowych, którzy chcą stawiać pierwsze kroki z TensorFlow.js.
Przejdź od zera do bohatera dzięki web ML przy użyciu TensorFlow.js. Dowiedz się, jak tworzyć aplikacje internetowe nowej generacji, które mogą działać po stronie klienta i być używane na prawie każdym urządzeniu.
Dowiedz się, jak załadować i używać jednego ze wstępnie wytrenowanych modeli TensorFlow.js (COCO-SSD) i używać go do rozpoznawania typowych obiektów, na których został przeszkolony.
Krok 2: Zanurz się głębiej w Deep Learning
Aby uzyskać głębsze zrozumienie działania sieci neuronowych oraz szersze zrozumienie, jak zastosować je do różnych problemów, mamy dwie dostępne książki.
Nauka TensorFlow.js to świetne miejsce na rozpoczęcie, jeśli nie masz doświadczenia z Tensorami i Uczeniem Maszynowym, ale dobrze rozumiesz JavaScript. Ta książka prowadzi Cię od podstaw, takich jak zrozumienie, jak manipulować danymi w tensorach, do szybkiego przejścia do rzeczywistych zastosowań. Po przeczytaniu zrozumiesz, jak ładować istniejące modele, przekazywać do nich dane i interpretować dane, które wychodzą.
Głębokie uczenie się z JavaScriptem to także świetne miejsce na rozpoczęcie. Towarzyszy mu duża liczba przykładów z GitHub, dzięki czemu możesz ćwiczyć pracę z uczeniem maszynowym w JavaScript.
Ta książka pokaże, jak korzystać z szerokiej gamy architektur sieci neuronowych, takich jak splotowe sieci neuronowe, rekurencyjne sieci neuronowe i zaawansowane paradygmaty szkoleniowe, takie jak uczenie ze wzmocnieniem. Zapewnia również jasne wyjaśnienia tego, co faktycznie dzieje się z siecią neuronową w procesie uczenia.
Praktyczne, kompleksowe podejście do podstaw TensorFlow.js dla szerokiej publiczności technicznej. Po ukończeniu tej książki będziesz wiedział, jak budować i wdrażać gotowe do produkcji systemy uczenia głębokiego za pomocą TensorFlow.js.
Ta książka, napisana przez głównych autorów biblioteki TensorFlow, zawiera fascynujące przypadki użycia i szczegółowe instrukcje dotyczące aplikacji do głębokiego uczenia się w JavaScript w przeglądarce lub w Node.
Krok 3: Ćwicz z przykładami przy użyciu TensorFlow.js
Praktyka czyni mistrza, a zdobywanie doświadczenia to najlepszy sposób na uchwycenie koncepcji. Zapoznaj się z ćwiczeniami z kodowania TensorFlow.js , aby poszerzyć swoją wiedzę dzięki tym przewodnikom krok po kroku dotyczącym typowych przypadków użycia:
Rozpoznawanie odręcznych cyfr za pomocą splotowych sieci neuronowych
Konwersja zapisanego modelu Pythona do formatu TensorFlow.js
Dzięki swojej wiedzy o sieciach neuronowych możesz łatwiej eksplorować przykłady open source stworzone przez zespół TensorFlow. Wszystkie są dostępne na GitHub , więc możesz zagłębić się w kod i zobaczyć, jak działają.
Repozytorium na GitHub zawierające zestaw przykładów zaimplementowanych w TensorFlow.js. Każdy przykładowy katalog jest samodzielny, więc katalog można skopiować do innego projektu.
Samouczki TensorFlow są napisane jako notatniki Jupyter i działają bezpośrednio w Google Colab — hostowanym środowisku notatników, które nie wymaga konfiguracji. Kliknij przycisk Uruchom w Google Colab.
Krok 4: Zrób coś nowego!
Kiedy już sprawdzisz swoją wiedzę i przećwiczysz niektóre przykłady z TensorFlow.js, powinieneś być gotowy do rozpoczęcia tworzenia własnych projektów. Zapoznaj się z naszymi wstępnie wytrenowanymi modelami i zacznij tworzyć aplikację w kilka minut. Możesz też wytrenować własny model przy użyciu zebranych danych lub przy użyciu publicznych zestawów danych. Kaggle i Google Dataset Search to świetne miejsca do znajdowania otwartych zbiorów danych do trenowania Twojego modelu.
Jeśli szukasz inspiracji, sprawdź nasz program Made With TensorFlow.js i opowiedz odcinki od ludzi z całego świata, którzy używali TensorFlow.js w swoich aplikacjach.
Możesz także zobaczyć najnowsze wpisy społeczności, wyszukując hashtag #MadeWithTFJS w mediach społecznościowych.