TensorFlow สำหรับการพัฒนาจาวาสคริปต์

ก่อนเริ่มสื่อการเรียนรู้ด้านล่าง คุณควร:

  1. สะดวกสบายกับการเขียนโปรแกรมเบราว์เซอร์โดยใช้ HTML, CSS และ JavaScript

  2. ทำความคุ้นเคยกับการใช้บรรทัดคำสั่งเพื่อเรียกใช้สคริปต์ Node.js

หลักสูตรนี้เหมาะสำหรับผู้ที่ต้องการ:

  1. สร้างโมเดล ML ใน JavaScript

  2. เรียกใช้โมเดลที่มีอยู่ทุกที่ที่ Javascript สามารถเรียกใช้ได้

  3. ปรับใช้โมเดล ML กับเว็บเบราว์เซอร์

TensorFlow.js ให้คุณพัฒนาหรือรันโมเดล ML ใน JavaScript และใช้ ML โดยตรงในฝั่งไคลเอ็นต์ของเบราว์เซอร์ ฝั่งเซิร์ฟเวอร์ผ่าน Node.js เนทีฟมือถือผ่าน React Native เนทีฟเดสก์ท็อปผ่าน Electron และแม้แต่บนอุปกรณ์ IoT ผ่าน Node.js บนราสเบอร์รี่ Pi หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ TensorFlow.js และสิ่งที่สามารถทำได้ โปรดดู การพูดคุยนี้ ที่ Google I/O

ขั้นตอนที่ 1: ทำความรู้จักกับแมชชีนเลิร์นนิงในเบราว์เซอร์

หากต้องการทราบข้อมูลเบื้องต้นเกี่ยวกับพื้นฐาน ML ใน JavaScript อย่างรวดเร็ว ให้เข้าร่วม หลักสูตรการเรียนรู้ด้วยตนเองใน Edx หรือชมวิดีโอด้านล่างที่นำคุณจากหลักการแรก ไปจนถึงการใช้โมเดลที่สร้างไว้ล่วงหน้าที่มีอยู่ และแม้แต่การสร้างโครงข่ายประสาทเทียมของคุณเองสำหรับการจำแนกประเภท คุณยังสามารถลองใช้ Make a smart webcam ใน JavaScript Codelab เพื่อดูคำแนะนำเชิงโต้ตอบของแนวคิดเหล่านี้

พลังพิเศษสำหรับเว็บแอปเจเนอเรชันถัดไป: Machine Learning

คำแนะนำระดับสูงเกี่ยวกับการเรียนรู้ของเครื่องใน JavaScript สำหรับนักพัฒนาเว็บที่ต้องการใช้ขั้นตอนแรกกับ TensorFlow.js

Google AI สำหรับนักพัฒนา JavaScript พร้อม TensorFlow.js

เปลี่ยนจากศูนย์เป็นฮีโร่ด้วยเว็บ ML โดยใช้ TensorFlow.js เรียนรู้วิธีสร้างเว็บแอปเจเนอเรชันถัดไปที่สามารถเรียกใช้ฝั่งไคลเอ็นต์และใช้กับอุปกรณ์เกือบทุกชนิด

สร้างเว็บแคมอัจฉริยะใน JavaScript ด้วยโมเดลที่ผ่านการฝึกอบรมมาแล้ว

เรียนรู้วิธีโหลดและใช้หนึ่งในโมเดลที่ผ่านการฝึกอบรมล่วงหน้าของ TensorFlow.js (COCO-SSD) และใช้เพื่อจำแนกวัตถุทั่วไปที่ได้รับการฝึกมา

ฟรี
ดู Codelab

ขั้นตอนที่ 2: ดำดิ่งสู่การเรียนรู้อย่างลึกซึ้ง

เพื่อให้เข้าใจอย่างลึกซึ้งยิ่งขึ้นเกี่ยวกับวิธีการทำงานของโครงข่ายประสาทเทียม และความเข้าใจในวงกว้างเกี่ยวกับวิธีการนำไปใช้กับปัญหาที่แตกต่างกัน เรามีหนังสือสองเล่ม

การเรียนรู้ TensorFlow.js เป็นจุดเริ่มต้นที่ดี หากคุณยังใหม่ต่อ Tensors และ Machine Learning โดยทั่วไป แต่มีความเข้าใจ JavaScript เป็นอย่างดี หนังสือเล่มนี้จะพาคุณไปตลอดทางตั้งแต่พื้นฐาน เช่น การทำความเข้าใจวิธีจัดการข้อมูลในเทนเซอร์ ไปจนถึงการพัฒนาอย่างรวดเร็วสู่การใช้งานจริง หลังจากอ่าน คุณจะเข้าใจวิธีการโหลดโมเดลที่มีอยู่ ส่งข้อมูลไปยังโมเดล และตีความข้อมูลที่ออกมา

การเรียนรู้เชิงลึกด้วย JavaScript ยังเป็นจุดเริ่มต้นที่ดีอีกด้วย มันมาพร้อมกับตัวอย่างจำนวนมากจาก GitHub เพื่อให้คุณสามารถฝึกฝนการทำงานกับการเรียนรู้ของเครื่องใน JavaScript

หนังสือเล่มนี้จะสาธิตวิธีใช้สถาปัตยกรรมโครงข่ายประสาทเทียมที่หลากหลาย เช่น Convolutional Neural Networks, Recurrent Neural Networks และกระบวนทัศน์การฝึกอบรมขั้นสูง เช่น การเรียนรู้แบบเสริมกำลัง นอกจากนี้ยังให้คำอธิบายที่ชัดเจนเกี่ยวกับสิ่งที่เกิดขึ้นจริงกับโครงข่ายประสาทเทียมในกระบวนการฝึกอบรม

การเรียนรู้ TensorFlow.js
โดย Gant Laborde

วิธีการแบบ end-to-end แบบลงมือปฏิบัติจริงสำหรับพื้นฐาน TensorFlow.js สำหรับผู้ชมทางเทคนิคในวงกว้าง เมื่อคุณทำหนังสือเล่มนี้เสร็จแล้ว คุณจะรู้วิธีสร้างและปรับใช้ระบบการเรียนรู้เชิงลึกที่พร้อมสำหรับการผลิตด้วย TensorFlow.js

การเรียนรู้เชิงลึกด้วย JavaScript
โดย Shanqing Cai, Stanley Bileschi, Eric D. Nielsen กับ Francois Chollet

เขียนโดยผู้เขียนหลักของห้องสมุด TensorFlow หนังสือเล่มนี้มีกรณีการใช้งานที่น่าสนใจและคำแนะนำเชิงลึกสำหรับแอปการเรียนรู้เชิงลึกใน JavaScript ในเบราว์เซอร์ของคุณหรือบน Node

ขั้นตอนที่ 3: ฝึกฝนกับตัวอย่างโดยใช้ TensorFlow.js

การฝึกฝนทำให้สมบูรณ์แบบ และการได้สัมผัสประสบการณ์เป็นวิธีที่ดีที่สุดในการล็อกแนวคิด ลองดู Codelab ของ TensorFlow.js เพื่อเสริมความรู้ของคุณด้วยคำแนะนำทีละขั้นตอนสำหรับกรณีการใช้งานทั่วไปเหล่านี้:

  1. สร้าง “เครื่องจักรที่สอนได้” ของคุณเองจากผ้าใบเปล่า

  2. การจดจำตัวเลขด้วยลายมือด้วย Convolutional Neural Networks

  3. ทำนายจากข้อมูล 2 มิติ

  4. แปลง Python SavedModel เป็นรูปแบบ TensorFlow.js

  5. ใช้ Firebase เพื่อปรับใช้และโฮสต์โมเดล TensorFlow.js

  6. สร้างระบบตรวจจับสแปมความคิดเห็น

  7. ฝึกรูปแบบการตรวจจับสแปมความคิดเห็นใหม่เพื่อจัดการกับกรณีขอบแบบกำหนดเอง

  8. การจดจำเสียงโดยใช้การเรียนรู้การถ่ายโอน

ด้วยความรู้ของคุณเกี่ยวกับโครงข่ายประสาทเทียม คุณสามารถสำรวจ ตัวอย่างโอเพนซอร์สที่ สร้างโดยทีม TensorFlow ได้ง่ายขึ้น ทั้งหมด มีอยู่ใน GitHub ดังนั้นคุณจึงสามารถเจาะลึกโค้ดและดูว่ามันทำงานอย่างไร

ตัวอย่างที่สร้างด้วย TensorFlow.js

พื้นที่เก็บข้อมูลบน GitHub ที่มีชุดตัวอย่างที่นำไปใช้ใน TensorFlow.js ไดเร็กทอรีตัวอย่างแต่ละรายการเป็นแบบสแตนด์อโลน จึงสามารถคัดลอกไดเร็กทอรีไปยังโครงการอื่นได้

สำรวจบทช่วยสอนของเราเพื่อเรียนรู้วิธีเริ่มต้นใช้งาน TensorFlow.js

บทแนะนำ TensorFlow เขียนเป็นโน้ตบุ๊ก Jupyter และทำงานโดยตรงใน Google Colab ซึ่งเป็นสภาพแวดล้อมของโน้ตบุ๊กที่โฮสต์ซึ่งไม่จำเป็นต้องตั้งค่าใดๆ คลิกปุ่มเรียกใช้ใน Google Colab

ขั้นตอนที่ 4: สร้างสิ่งใหม่!

เมื่อคุณได้ทดสอบความรู้และฝึกฝนกับตัวอย่าง TensorFlow.js แล้ว คุณควรพร้อมที่จะเริ่มพัฒนาโครงการของคุณเอง ดู โมเดลที่ได้รับการฝึกสอน ของเรา และเริ่มสร้างแอปในไม่กี่นาที หรือคุณสามารถฝึกโมเดลของคุณเองโดยใช้ข้อมูลที่รวบรวมไว้ หรือโดยใช้ชุดข้อมูลสาธารณะ Kaggle และ Google Dataset Search เป็นที่ที่ยอดเยี่ยมในการค้นหาชุดข้อมูลแบบเปิดสำหรับการฝึกโมเดลของคุณ

หากคุณกำลังมองหาแรงบันดาลใจ ลองดู รายการ Made With TensorFlow.js ของเราและบอกเล่าตอนต่างๆ จากผู้คนทั่วโลกที่เคยใช้ TensorFlow.js ในแอปพลิเคชันของตน

คุณยังสามารถดูการมีส่วนร่วมล่าสุดจากชุมชนได้โดยการค้นหาแฮชแท็ก #MadeWithTFJS บนโซเชียลมีเดีย