Specjalizacja: Podstawy TensorFlow do programowania w JavaScript
Przed rozpoczęciem korzystania z poniższych materiałów szkoleniowych należy:
Umiejętność programowania w przeglądarce przy użyciu HTML 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
Uruchom istniejące modele TensorFlow.js.
Wdrażaj modele ML w przeglądarkach internetowych
TensorFlow.js umożliwia tworzenie modeli ML w JavaScript i używanie ML bezpośrednio w przeglądarce lub na Node.js. Aby dowiedzieć się więcej o TensorFlow.js i o tym, co można z tym zrobić, przeczytaj ten wykład na Google I / O.
Krok 1: Szybkie wprowadzenie do uczenia maszynowego w przeglądarce.
Aby uzyskać krótkie wprowadzenie do podstaw uczenia maszynowego w języku JavaScript, obejrzyj tę serię filmów na YouTube , która prowadzi od podstawowych zasad do budowy sieci neuronowej w celu przeprowadzenia podstawowej klasyfikacji.
Trzyczęściowa seria poświęcona uczeniu i wykonywaniu modeli uczenia maszynowego za pomocą TensorFlow.js i pokazująca, jak utworzyć model uczenia maszynowego w języku JavaScript, który jest wykonywany bezpośrednio w przeglądarce.
Krok 2: Zanurz się głębiej w Deep Learning
Aby uzyskać głębsze zrozumienie działania sieci neuronowych i szersze zrozumienie, jak zastosować je do różnych problemów, książka Deep Learning with JavaScript jest doskonałym miejscem do rozpoczęcia. 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 konwolucyjne sieci neuronowe, rekurencyjne sieci neuronowe i zaawansowane paradygmaty szkoleniowe, takie jak uczenie się ze wzmocnieniem. Zawiera również jasne wyjaśnienia tego, co faktycznie dzieje się z siecią neuronową w procesie uczenia.
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 na Node.
Krok 3: Przećwicz na przykładach przy użyciu TensorFlow.js
Praktyka czyni mistrza, a zdobycie doświadczenia jest najlepszym sposobem na utrwalenie koncepcji. Posiadając wiedzę na temat sieci neuronowych, możesz łatwiej eksplorować przykłady open source utworzone przez zespół TensorFlow. Wszystkie są dostępne na GitHub , więc możesz zagłębić się w kod i zobaczyć, jak działają. Aby poeksperymentować z typowymi przypadkami użycia, możesz rozpocząć eksplorację splotowych sieci neuronowych na przykładzie mnista , spróbować przenieść uczenie się za pomocą przykładu mnist-transfer-cnn lub zobaczyć, jak strukturyzowane są powtarzające się sieci neuronowe na przykładzie add-rnn .
Repozytorium w serwisie GitHub zawierające zestaw przykładów zaimplementowanych w TensorFlow.js. Każdy katalog przykładowy jest samodzielny, więc można go skopiować do innego projektu.
Samouczki TensorFlow są napisane jako notatniki Jupyter i działają bezpośrednio w Google Colab - hostowanym środowisku notebooków, które nie wymaga konfiguracji. Kliknij przycisk Uruchom w Google Colab.
Krok 4: Zrób coś nowego!
Po sprawdzeniu swojej wiedzy i poćwiczeniu z niektórymi przykładami TensorFlow.js powinieneś być gotowy do rozpoczęcia tworzenia własnych projektów. Zapoznaj się z naszymi wstępnie wytrenowanymi modelami i zacznij tworzyć aplikację. Możesz też wytrenować własny model, korzystając z zebranych danych lub publicznych zestawów danych. Kaggle i Google Dataset Search to świetne miejsca, w których można znaleźć otwarte zbiory danych do trenowania modelu.