TensorFlow สำหรับการพัฒนาจาวาสคริปต์
ก่อนเริ่มสื่อการเรียนรู้ด้านล่าง คุณควร:
สะดวกสบายกับการเขียนโปรแกรมเบราว์เซอร์โดยใช้ HTML, CSS และ JavaScript
ทำความคุ้นเคยกับการใช้บรรทัดคำสั่งเพื่อเรียกใช้สคริปต์ Node.js
หลักสูตรนี้เหมาะสำหรับผู้ที่ต้องการ:
สร้างโมเดล ML ใน JavaScript
เรียกใช้โมเดลที่มีอยู่ทุกที่ที่ Javascript สามารถเรียกใช้ได้
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
หากต้องการทราบข้อมูลเบื้องต้นเกี่ยวกับ ML ใน JavaScript อย่างรวดเร็ว ให้เข้าร่วม หลักสูตรการเรียนรู้ด้วยตนเองใน Edx หรือดูวิดีโอด้านล่างที่นำคุณจากหลักการแรก ไปจนถึงการใช้โมเดลที่สร้างไว้ล่วงหน้าที่มีอยู่ และแม้แต่การสร้างโครงข่ายประสาทเทียมของคุณเองสำหรับการจำแนกประเภท คุณยังสามารถลองใช้ Make a smart webcam ใน JavaScript Codelab เพื่อดูคำแนะนำเชิงโต้ตอบของแนวคิดเหล่านี้
คำแนะนำระดับสูงเกี่ยวกับการเรียนรู้ของเครื่องใน JavaScript สำหรับนักพัฒนาเว็บที่ต้องการใช้ขั้นตอนแรกกับ TensorFlow.js
เปลี่ยนจากศูนย์เป็นฮีโร่ด้วยเว็บ ML โดยใช้ TensorFlow.js เรียนรู้วิธีสร้างเว็บแอปรุ่นต่อไปที่สามารถเรียกใช้ฝั่งไคลเอ็นต์และใช้กับอุปกรณ์เกือบทุกชนิด
เรียนรู้วิธีโหลดและใช้หนึ่งในโมเดลที่ผ่านการฝึกอบรมล่วงหน้าของ TensorFlow.js (COCO-SSD) และใช้เพื่อจำแนกวัตถุทั่วไปที่ได้รับการฝึกอบรมมา
ขั้นตอนที่ 2: ดำดิ่งสู่การเรียนรู้อย่างลึกซึ้ง
เพื่อให้เข้าใจอย่างลึกซึ้งยิ่งขึ้นเกี่ยวกับวิธีการทำงานของโครงข่ายประสาทเทียม และความเข้าใจที่กว้างขึ้นเกี่ยวกับวิธีการนำไปใช้กับปัญหาที่แตกต่างกัน เรามีหนังสือสองเล่มพร้อมให้ใช้งาน
การเรียนรู้ TensorFlow.js เป็นจุดเริ่มต้นที่ดี หากคุณยังใหม่ต่อ Tensors และ Machine Learning โดยทั่วไป แต่มีความเข้าใจ JavaScript เป็นอย่างดี หนังสือเล่มนี้จะพาคุณไปตลอดทางตั้งแต่พื้นฐาน เช่น การทำความเข้าใจวิธีจัดการข้อมูลในเทนเซอร์ ไปจนถึงการพัฒนาอย่างรวดเร็วสู่การใช้งานจริง หลังจากอ่าน คุณจะเข้าใจวิธีการโหลดโมเดลที่มีอยู่ ส่งข้อมูลไปยังโมเดลเหล่านั้น และตีความข้อมูลที่ออกมา
การเรียนรู้เชิงลึกด้วย JavaScript ยังเป็นจุดเริ่มต้นที่ดีอีกด้วย มีตัวอย่างมากมายจาก GitHub ให้มาด้วย คุณจึงสามารถฝึกการทำงานกับการเรียนรู้ของเครื่องใน JavaScript ได้
หนังสือเล่มนี้จะสาธิตวิธีใช้สถาปัตยกรรมโครงข่ายประสาทเทียมที่หลากหลาย เช่น Convolutional Neural Networks, Recurrent Neural Networks และกระบวนทัศน์การฝึกอบรมขั้นสูง เช่น การเรียนรู้แบบเสริมกำลัง นอกจากนี้ยังให้คำอธิบายที่ชัดเจนเกี่ยวกับสิ่งที่เกิดขึ้นจริงกับโครงข่ายประสาทเทียมในกระบวนการฝึกอบรม
วิธีการแบบ end-to-end แบบลงมือปฏิบัติจริงสำหรับพื้นฐาน TensorFlow.js สำหรับผู้ชมทางเทคนิคในวงกว้าง เมื่อคุณทำหนังสือเล่มนี้เสร็จแล้ว คุณจะรู้วิธีสร้างและปรับใช้ระบบการเรียนรู้เชิงลึกที่พร้อมสำหรับการผลิตด้วย TensorFlow.js
เขียนโดยผู้เขียนหลักของห้องสมุด TensorFlow หนังสือเล่มนี้มีกรณีการใช้งานที่น่าสนใจและคำแนะนำเชิงลึกสำหรับแอปการเรียนรู้เชิงลึกใน JavaScript ในเบราว์เซอร์ของคุณหรือบน Node
ขั้นตอนที่ 3: ฝึกฝนกับตัวอย่างโดยใช้ TensorFlow.js
การฝึกฝนทำให้สมบูรณ์แบบ และการได้สัมผัสประสบการณ์เป็นวิธีที่ดีที่สุดในการล็อกแนวคิด ลองดู Codelab ของ TensorFlow.js เพื่อเสริมความรู้ของคุณด้วยคำแนะนำทีละขั้นตอนสำหรับกรณีการใช้งานทั่วไปเหล่านี้:
ด้วยความรู้ของคุณเกี่ยวกับโครงข่ายประสาทเทียม คุณสามารถสำรวจ ตัวอย่างโอเพนซอร์สที่ สร้างโดยทีม TensorFlow ได้ง่ายขึ้น ทั้งหมด มีอยู่ใน GitHub ดังนั้นคุณจึงสามารถเจาะลึกโค้ดและดูว่ามันทำงานอย่างไร
พื้นที่เก็บข้อมูลบน GitHub ที่มีชุดตัวอย่างที่นำไปใช้ใน TensorFlow.js ไดเร็กทอรีตัวอย่างแต่ละรายการเป็นแบบสแตนด์อโลน จึงสามารถคัดลอกไดเร็กทอรีไปยังโปรเจ็กต์อื่นได้
บทแนะนำ TensorFlow เขียนเป็นโน้ตบุ๊ก Jupyter และทำงานโดยตรงใน Google Colab ซึ่งเป็นสภาพแวดล้อมของโน้ตบุ๊กที่โฮสต์ซึ่งไม่จำเป็นต้องตั้งค่าใดๆ คลิกปุ่มเรียกใช้ใน Google Colab
ขั้นตอนที่ 4: สร้างสิ่งใหม่!
เมื่อคุณได้ทดสอบความรู้และฝึกฝนกับตัวอย่าง TensorFlow.js แล้ว คุณควรพร้อมที่จะเริ่มพัฒนาโครงการของคุณเอง ดู โมเดลที่ฝึกฝน ไว้ของเรา และเริ่มสร้างแอปในไม่กี่นาที หรือคุณสามารถฝึกโมเดลของคุณเองโดยใช้ข้อมูลที่คุณได้รวบรวมไว้ หรือโดยใช้ชุดข้อมูลสาธารณะ Kaggle และ Google Dataset Search เป็นที่ที่ยอดเยี่ยมในการค้นหาชุดข้อมูลแบบเปิดสำหรับการฝึกโมเดลของคุณ
หากคุณกำลังมองหาแรงบันดาลใจ ลองดู รายการ Made With TensorFlow.js และบอกเล่าตอนต่างๆ จากผู้คนทั่วโลกที่เคยใช้ TensorFlow.js ในแอปพลิเคชันของตน
คุณยังสามารถดูการมีส่วนร่วมล่าสุดจากชุมชนได้โดยการค้นหาแฮชแท็ก #MadeWithTFJS บนโซเชียลมีเดีย