Google I/O is a wrap! Catch up on TensorFlow sessions View sessions

TensorFlow để phát triển JavaScript

Trước khi bắt đầu với các tài liệu học tập dưới đây, bạn nên:

  1. Thoải mái với việc lập trình trình duyệt bằng HTML, CSS và JavaScript

  2. Làm quen với việc sử dụng dòng lệnh để chạy các tập lệnh Node.js

Chương trình học này dành cho những người muốn:

  1. Xây dựng mô hình ML trong JavaScript

  2. Chạy các mô hình hiện có ở bất kỳ đâu Javascript có thể chạy

  3. Triển khai các mô hình ML cho các trình duyệt web

TensorFlow. trên Raspberry Pi. Để tìm hiểu thêm về TensorFlow.js và những gì có thể làm với nó, hãy xem bài nói chuyện này tại Google I / O.

Bước 1: Làm quen với học máy trong trình duyệt

Để được giới thiệu nhanh về kiến ​​thức cơ bản về ML trong JavaScript, hãy tham gia khóa học theo nhịp độ riêng trên Edx hoặc xem các video bên dưới hướng dẫn bạn từ các nguyên tắc đầu tiên đến cách sử dụng các mô hình tạo sẵn hiện có và thậm chí xây dựng mạng nơ-ron của riêng bạn để phân loại. Bạn cũng có thể thử Tạo một webcam thông minh trong JavaScript Codelab để có hướng dẫn tương tác về các khái niệm này.

Siêu năng lực cho các ứng dụng web thế hệ tiếp theo: Học máy

Phần giới thiệu cấp cao về học máy trong JavaScript này dành cho các nhà phát triển web đang tìm cách thực hiện những bước đầu tiên với TensorFlow.js.

Miễn phí
Xem video  
Google AI dành cho nhà phát triển JavaScript với TensorFlow.js

Đi từ con số 0 đến anh hùng với web ML bằng TensorFlow.js. Tìm hiểu cách tạo các ứng dụng web thế hệ tiếp theo có thể chạy phía máy khách và được sử dụng trên hầu hết mọi thiết bị.

Miễn phí
Xem khóa học  
Tạo một webcam thông minh bằng JavaScript với một mô hình được đào tạo trước

Tìm hiểu cách tải và sử dụng một trong các mô hình được đào tạo trước của TensorFlow.js (COCO-SSD) và sử dụng nó để nhận ra các đối tượng phổ biến mà nó đã được đào tạo.

Miễn phí
Xem Codelab  

Bước 2: Tìm hiểu sâu hơn về Học sâu

Để hiểu sâu hơn về cách mạng nơ-ron hoạt động và hiểu rộng hơn về cách áp dụng chúng vào các vấn đề khác nhau, chúng tôi có sẵn hai cuốn sách.

Học TensorFlow.js là một nơi tuyệt vời để bắt đầu nếu bạn chưa quen với Tensor và Machine Learning nói chung nhưng đã hiểu rõ về JavaScript. Cuốn sách này sẽ hướng dẫn bạn mọi cách từ những điều cơ bản như hiểu cách thao tác dữ liệu vào Tensors, để nhanh chóng tiến tới các ứng dụng trong thế giới thực. Sau khi đọc, bạn sẽ hiểu cách tải các mô hình hiện có, chuyển dữ liệu cho chúng và diễn giải dữ liệu xuất hiện.

Học sâu với JavaScript cũng là một nơi tuyệt vời để bắt đầu. Nó đi kèm với một số lượng lớn các ví dụ từ GitHub để bạn có thể thực hành làm việc với học máy trong JavaScript.

Cuốn sách này sẽ trình bày cách sử dụng nhiều loại kiến ​​trúc mạng nơ-ron, chẳng hạn như Mạng nơ-ron chuyển đổi, Mạng nơ-ron tuần hoàn và các mô hình đào tạo nâng cao như học tăng cường. Nó cũng cung cấp những lời giải thích rõ ràng về những gì đang thực sự xảy ra với mạng nơ-ron trong quá trình đào tạo.

Học TensorFlow.js
bởi Gant Laborde

Phương pháp tiếp cận thực hành từ đầu đến cuối đối với các nguyên tắc cơ bản của TensorFlow.js dành cho đối tượng kỹ thuật rộng rãi. Sau khi hoàn thành cuốn sách này, bạn sẽ biết cách xây dựng và triển khai các hệ thống học sâu sẵn sàng cho sản xuất với TensorFlow.js.

Học sâu với JavaScript
của Shanqing Cai, Stanley Bileschi, Eric D. Nielsen với Francois Chollet

Được viết bởi các tác giả chính của thư viện TensorFlow, cuốn sách này cung cấp các trường hợp sử dụng hấp dẫn và hướng dẫn chuyên sâu cho các ứng dụng học sâu bằng JavaScript trong trình duyệt của bạn hoặc trên Node.

Bước 3: Thực hành với các ví dụ bằng TensorFlow.js

Thực hành tạo nên sự hoàn hảo, và nắm bắt kinh nghiệm là cách tốt nhất để nắm bắt các khái niệm. Kiểm tra các codelabs TensorFlow.js để nâng cao kiến ​​thức của bạn với các hướng dẫn từng bước sau cho các trường hợp sử dụng phổ biến:

  1. Tạo “Máy có thể dạy được” của riêng bạn từ một canvas trống

  2. Nhận dạng chữ số viết tay với Mạng thần kinh chuyển đổi

  3. Đưa ra dự đoán từ dữ liệu 2D

  4. Chuyển đổi Python SavedModel sang định dạng TensorFlow.js

  5. Sử dụng Firebase để triển khai và lưu trữ mô hình TensorFlow.js

  6. Xây dựng hệ thống phát hiện spam bình luận

  7. Đào tạo lại mô hình phát hiện spam nhận xét để xử lý các trường hợp cạnh tùy chỉnh

  8. Nhận dạng âm thanh bằng cách sử dụng học chuyển

Với kiến ​​thức của mình về mạng nơ-ron, bạn có thể dễ dàng khám phá các ví dụ nguồn mở do nhóm TensorFlow tạo ra. Tất cả chúng đều có sẵn trên GitHub , vì vậy bạn có thể đi sâu vào mã và xem chúng hoạt động như thế nào.

Các ví dụ được xây dựng với TensorFlow.js

Một kho lưu trữ trên GitHub chứa một tập hợp các ví dụ được triển khai trong TensorFlow.js. Mỗi thư mục ví dụ là độc lập nên thư mục có thể được sao chép sang một dự án khác.

Miễn phí
Tìm hiểu thêm  
Khám phá các hướng dẫn của chúng tôi để tìm hiểu cách bắt đầu với TensorFlow.js

Các hướng dẫn của TensorFlow được viết dưới dạng sổ ghi chép Jupyter và chạy trực tiếp trong Google Colab — một môi trường sổ ghi chép được lưu trữ không yêu cầu thiết lập. Nhấp vào nút Chạy trong Google Colab.

Miễn phí
Tìm hiểu thêm  

Bước 4: Tạo một cái gì đó mới!

Khi bạn đã kiểm tra kiến ​​thức của mình và thực hành với một số ví dụ TensorFlow.js, bạn nên sẵn sàng để bắt đầu phát triển các dự án của riêng mình. Hãy xem các mô hình được đào tạo trước của chúng tôi và bắt đầu xây dựng một ứng dụng sau vài phút. Hoặc bạn có thể đào tạo mô hình của riêng mình bằng cách sử dụng dữ liệu bạn đã thu thập hoặc bằng cách sử dụng bộ dữ liệu công khai. KaggleGoogle Dataset Search là những nơi tuyệt vời để tìm các tập dữ liệu mở để đào tạo mô hình của bạn.

Nếu bạn đang tìm kiếm nguồn cảm hứng, hãy xem chương trình Made With TensorFlow.js của chúng tôi và kể các tập phim từ những người trên khắp thế giới đã sử dụng TensorFlow.js trong các ứng dụng của họ.

Bạn cũng có thể xem những đóng góp mới nhất từ ​​cộng đồng bằng cách tìm kiếm thẻ bắt đầu bằng #MadeWithTFJS trên mạng xã hội.