Bermula dengan Pembelajaran Mesin dalam JavaScript: Panduan Pemula dengan TensorFlow.js

Pembelajaran mesin (ML) telah mengubah dunia pembangunan perisian dengan pantas. Sehingga baru-baru ini, Python adalah bahasa yang dominan dalam ruang ML, terima kasih kepada perpustakaan seperti TensorFlow dan PyTorch. Tetapi dengan kemunculan TensorFlow.js, pembangun JavaScript kini boleh menyelami dunia pembelajaran mesin yang menarik, menggunakan sintaks biasa untuk membina dan melatih model terus dalam penyemak imbas atau pada Node.js.

Dalam catatan blog ini, kami akan meneroka cara anda boleh bermula dengan pembelajaran mesin menggunakan JavaScript. Kami akan melihat contoh membina dan melatih model mudah menggunakan TensorFlow.js.

Mengapa TensorFlow.js?

TensorFlow.js ialah perpustakaan sumber terbuka yang membolehkan anda mentakrif, melatih dan menjalankan model pembelajaran mesin sepenuhnya dalam JavaScript. Ia berjalan dalam penyemak imbas dan pada Node.js, menjadikannya sangat serba boleh untuk pelbagai aplikasi ML.

Berikut ialah beberapa sebab mengapa TensorFlow.js menarik:

1. Latihan masa nyata: Anda boleh menjalankan model terus dalam penyemak imbas, menawarkan interaktiviti masa nyata.
2. Merentas platform: Kod yang sama boleh dijalankan pada kedua-dua pelayan dan persekitaran klien.
3. Pecutan perkakasan: Ia menggunakan WebGL untuk pecutan GPU, yang mempercepatkan pengiraan.

Jom lihat cara untuk bermula!

1. Menyediakan TensorFlow.js

Sebelum menyelami kod, anda perlu memasang TensorFlow.js. Anda boleh memasukkannya dalam projek anda melalui tag atau npm, bergantung pada persekitaran anda.

Persediaan Penyemak Imbas

Untuk menggunakan TensorFlow.js dalam penyemak imbas, cuma masukkan tag dalam fail HTML anda:

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>

Persediaan Node.js

Untuk persekitaran Node.js, anda boleh memasangnya menggunakan npm:

npm install @tensorflow/tfjs

2. Membina Model Rangkaian Neural Mudah

Mari kita cipta rangkaian neural ringkas yang meramalkan output fungsi linear asas, y = 2x - 1. Kami akan menggunakan TensorFlow.js untuk mencipta dan melatih model ini.

Langkah 1: Tentukan Model

Kita akan mulakan dengan mentakrifkan model berjujukan (timbunan linear lapisan) dengan satu lapisan padat:

// Import TensorFlow.js
import * as tf from '@tensorflow/tfjs';

// Create a simple sequential model
const model = tf.sequential();

// Add a single dense layer with 1 unit (neuron)
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

Di sini, kami telah mencipta model dengan satu lapisan padat. Lapisan mempunyai satu neuron (unit: 1), dan ia menjangkakan satu ciri input (InputShape: [1]).

Langkah 2: Susun Model

Seterusnya, kami menyusun model dengan menyatakan fungsi pengoptimum dan kehilangan:

// Compile the model
model.compile({
  optimizer: 'sgd',  // Stochastic Gradient Descent
  loss: 'meanSquaredError'  // Loss function for regression
});

Kami menggunakan pengoptimum Stochastic Gradient Descent (SGD), yang berkesan untuk model kecil. Fungsi kehilangan, meanSquaredError, sesuai untuk tugas regresi seperti ini.

Langkah 3: Sediakan Data Latihan

Kini kami akan mencipta beberapa data latihan untuk fungsi y = 2x - 1. Dalam TensorFlow.js, data disimpan dalam tensor (tatasusunan berbilang dimensi). Begini cara kami boleh menjana beberapa data latihan:

// Generate some synthetic data for training
const xs = tf.tensor2d([0, 1, 2, 3, 4], [5, 1]);  // Inputs (x values)
const ys = tf.tensor2d([1, 3, 5, 7, 9], [5, 1]);  // Outputs (y values)

Dalam kes ini, kami telah mencipta tensor xs dengan nilai input (0, 1, 2, 3, 4) dan tensor output yang sepadan ys dengan nilai yang dikira menggunakan y = 2x - 1.

Langkah 4: Latih Model

Kini, kami boleh melatih model pada data kami:

// Train the model
model.fit(xs, ys, {epochs: 500}).then(() => {
  // Once training is complete, use the model to make predictions
  model.predict(tf.tensor2d([5], [1, 1])).print();  // Output will be close to 2*5 - 1 = 9
});

Di sini, kami melatih model untuk 500 zaman (lelaran ke atas data latihan). Selepas latihan, kami menggunakan model untuk meramalkan output bagi nilai input 5, yang sepatutnya mengembalikan nilai hampir 9 (y = 2*5 - 1 = 9).

3. Menjalankan Model dalam Pelayar

Untuk menjalankan model ini dalam penyemak imbas, anda memerlukan fail HTML yang termasuk perpustakaan TensorFlow.js dan kod JavaScript anda:

    
    
    
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>
      


    
Simple Neural Network with TensorFlow.js

Dan dalam fail app.js anda, anda boleh memasukkan kod pembinaan model dan latihan dari atas.

Atas ialah kandungan terperinci Bermula dengan Pembelajaran Mesin dalam JavaScript: Panduan Pemula dengan TensorFlow.js. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!