使用 JavaScript 进行 TensorFlow 开发

在开始学习下面的学习资料之前,您应该:

  1. 对使用 HTML、CSS 和 JavaScript 进行浏览器编程有所了解

  2. 熟悉如何使用命令行运行 Node.js 脚本

本课程适用于想要实现以下目标的人员:

  1. 用 JavaScript 构建机器学习模型

  2. 在能运行 JavaScript 的任何环境中运行现有模型

  3. 将机器学习模型部署到网络浏览器中

借助 TensorFlow.js,您可以使用 JavaScript 开发或执行机器学习模型,并直接在浏览器客户端中使用机器学习技术,或者通过 Node.js、React Native、Electron,甚至是 Raspberry Pi 上的 Node.js,在服务器端、移动原生设备、桌面原生设备以及 IoT 设备中使用机器学习技术。如需详细了解 TensorFlow.js 及其作用,请观看 Google I/O 大会上的 这段演讲视频

第 1 步:了解浏览器中的机器学习

To get a quick introduction on basics for ML in JavaScript, take the self-paced course on Edx or watch the videos below that take you from first principles, to using existing pre-made models, and even building your own neural network for classification. You can also try the Make a smart webcam in JavaScript Codelab for an interactive walkthrough of these concepts.

新一代 Web 应用的超能力:机器学习

本视频简要介绍了如何使用 JavaScript 进行机器学习,适合希望开始使用 TensorFlow.js 的 Web 开发者。

Google AI for JavaScript developers with TensorFlow.js

Go from zero to hero with web ML using TensorFlow.js. Learn how to create next generation web apps that can run client side and be used on almost any device.

通过预训练模型,使用 JavaScript 构建智能网络摄像头

了解如何加载和使用一种 TensorFlow.js 预训练模型 (COCO-SSD),并用它来识别训练模型时所用到的常见对象。

第 2 步:更加深入地了解深度学习

为帮助您更加深入地了解神经网络的工作原理,以及更加全面地了解如何运用神经网络解决各种问题,我们向您推荐两本书。

如果您基本上刚开始接触张量和机器学习,但非常了解 JavaScript, 《学习 TensorFlow.js》 一书是入门的理想之选。本书将全面介绍各种知识,从了解如何以张量形式操纵数据等基础知识开始,一直到快速应用到实际应用中。阅读本书后,您将了解如何加载现有模型、将数据传递给这些模型以及解读产生的数据。

《使用 JavaScript 进行深度学习》 一书也是入门的理想之选。其中附带了 GitHub 上的大量示例,可供您练习使用 JavaScript 进行机器学习。

这本书介绍了如何使用各种神经网络架构(例如卷积神经网络、循环神经网络)和高级训练范例(例如强化学习),另外也清楚解释了神经网络在训练过程中实际发生的情况。

了解 TensorFlow.js
由 Gant Laborde 编著

通过端到端的实际操作方法学习 TensorFlow.js 基础知识,适合广泛的技术受众。读完本书后,您将了解如何使用 TensorFlow.js 构建和部署可用于生产环境的深度学习系统。

使用 JavaScript 进行深度学习
由 Shanqing Cai、Stanley Bileschi、Eric D. Nielsen 和 Francois Chollet 共同编著

本书由 TensorFlow 库的主要作者编著,提供了关于在浏览器中或 Node 上使用 JavaScript 构建深度学习应用的精彩用例和深入说明。

第 3 步:使用 TensorFlow.js 进行示例练习

熟能生巧,亲身体验是掌握概念的最佳方式。请查看 TensorFlow.js Codelab,了解针对常见使用场景的分步指南,加深对知识的理解:

  1. 从头开始构建您自己的“会学习的机器”

  2. 使用卷积神经网络识别手写数字

  3. 根据 2D 数据进行预测

  4. 将 Python SavedModel 转换为 TensorFlow.js 格式

  5. 使用 Firebase 部署和托管 TensorFlow.js 模型

  6. 构建垃圾评论检测系统

  7. 重新训练垃圾评论检测模型来处理自定义极端情况

  8. 使用迁移学习进行音频识别

对神经网络有所了解之后,您可以更加轻松地探索由 TensorFlow 团队创建的 开源示例 。所有示例均可 在 GitHub 上找到 ,因此您可以深入了解代码及其工作原理。

使用 TensorFlow.js 构建的示例

GitHub 上的代码库,包含一组在 TensorFlow.js 中实现的示例。各个示例目录相互独立,因此可以将该目录复制到其他项目。

浏览我们的教程,了解如何开始使用 TensorFlow.js

TensorFlow 教程是以 Jupyter 笔记本的形式编写而成,可直接在 Google Colab(一种无需设置的托管式笔记本环境)中运行。点击“在 Google Colab 中运行”按钮。

第 4 步:创建新项目!

在检验了知识掌握情况并使用一些 TensorFlow.js 示例练习之后,您应该就可以开始开发自己的项目了。参考我们的 预训练模型 ,马上就可以开始构建应用。或者,您也可以使用收集的数据或使用公共数据集训练自己的模型。 Kaggle Google 数据集搜索 是查找用于训练模型的开放数据集的理想之地。

如果您在寻找灵感,不妨观看我们的 Made With TensorFlow.js 之 Show and Tell 剧集 ,了解世界各地的开发人员如何在其应用中使用 TensorFlow.js。

您也可以在社交媒体上搜索 #MadeWithTFJS # 标签,查看来自社区的最新贡献内容。