با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

TensorFlow برای توسعه جاوا اسکریپت

قبل از شروع مطالب آموزشی زیر، باید:

  1. با برنامه نویسی مرورگر با استفاده از HTML، CSS و جاوا اسکریپت راحت باشید

  2. با استفاده از خط فرمان برای اجرای اسکریپت های Node.js آشنا باشید

این برنامه آموزشی برای افرادی است که می خواهند:

  1. ساخت مدل های ML در جاوا اسکریپت

  2. مدل های موجود را در هر جایی که جاوا اسکریپت می تواند اجرا کند اجرا کنید

  3. استقرار مدل های ML در مرورگرهای وب

TensorFlow.js به شما امکان می دهد مدل های ML را در جاوا اسکریپت توسعه یا اجرا کنید و از ML به طور مستقیم در سمت مشتری مرورگر، سمت سرور از طریق Node.js، بومی موبایل از طریق React Native، بومی دسکتاپ از طریق Electron و حتی در دستگاه های اینترنت اشیا از طریق Node.js استفاده کنید. در Raspberry Pi. برای کسب اطلاعات بیشتر در مورد TensorFlow.js، و کارهایی که می توان با آن انجام داد، این بحث را در Google I/O بررسی کنید.

مرحله 1: با یادگیری ماشین در مرورگر آشنا شوید

برای آشنایی سریع با اصول اولیه ML در جاوا اسکریپت، در دوره آموزشی Edx شرکت کنید یا ویدیوهای زیر را تماشا کنید که شما را از اصول اولیه، به استفاده از مدل های از پیش ساخته شده موجود، و حتی ساخت شبکه عصبی خود برای طبقه بندی می برد. همچنین می توانید وب کم هوشمند را در JavaScript Codelab برای بررسی تعاملی این مفاهیم امتحان کنید.

ابرقدرت ها برای برنامه های وب نسل بعدی: یادگیری ماشینی

این مقدمه سطح بالا برای یادگیری ماشین در جاوا اسکریپت برای توسعه دهندگان وب است که به دنبال برداشتن اولین گام های خود با TensorFlow.js هستند.

هوش مصنوعی گوگل برای توسعه دهندگان جاوا اسکریپت با TensorFlow.js

با وب ML با استفاده از TensorFlow.js از صفر به قهرمان بروید. با نحوه ایجاد برنامه های وب نسل بعدی آشنا شوید که می توانند در سمت مشتری اجرا شوند و تقریباً در هر دستگاهی مورد استفاده قرار گیرند.

با یک مدل از پیش آموزش دیده یک وب کم هوشمند در جاوا اسکریپت بسازید

نحوه بارگیری و استفاده از یکی از مدل های از پیش آموزش دیده TensorFlow.js (COCO-SSD) را بیاموزید و از آن برای تشخیص اشیاء معمولی که روی آنها آموزش دیده است استفاده کنید.

مرحله 2: عمیق تر به یادگیری عمیق بروید

برای دریافت درک عمیق تر از نحوه عملکرد شبکه های عصبی و درک گسترده تر از نحوه به کارگیری آنها در مسائل مختلف، دو کتاب در دسترس داریم.

یادگیری TensorFlow.js مکانی عالی برای شروع است اگر به طور کلی با Tensor و یادگیری ماشینی آشنا هستید اما درک خوبی از جاوا اسکریپت دارید. این کتاب شما را از اصول اولیه مانند درک نحوه دستکاری داده ها در Tensor تا پیشرفت سریع به برنامه های کاربردی دنیای واقعی می برد. پس از خواندن، خواهید فهمید که چگونه مدل های موجود را بارگیری کنید، داده ها را به آنها منتقل کنید و داده هایی را که بیرون می آیند تفسیر کنید.

یادگیری عمیق با جاوا اسکریپت نیز یک مکان عالی برای شروع است. با تعداد زیادی نمونه از GitHub همراه است تا بتوانید کار با یادگیری ماشین را در جاوا اسکریپت تمرین کنید.

این کتاب نحوه استفاده از طیف گسترده‌ای از معماری‌های شبکه‌های عصبی، مانند شبکه‌های عصبی کانولوشن، شبکه‌های عصبی مکرر، و الگوهای آموزشی پیشرفته مانند یادگیری تقویتی را نشان می‌دهد. همچنین توضیحات روشنی از آنچه در واقع با شبکه عصبی در فرآیند آموزش اتفاق می افتد ارائه می دهد.

آموزش TensorFlow.js
توسط گانت لابورد

یک رویکرد انتها به انتها به اصول TensorFlow.js برای مخاطبان فنی گسترده. پس از اتمام این کتاب، می‌دانید که چگونه با TensorFlow.js سیستم‌های یادگیری عمیق آماده تولید بسازید و به کار ببرید.

یادگیری عمیق با جاوا اسکریپت
توسط Shanqing Cai، Stanley Bileschi، Eric D. Nielsen با Francois Chollet

این کتاب که توسط نویسندگان اصلی کتابخانه TensorFlow نوشته شده است، موارد استفاده جذاب و دستورالعمل های عمیق را برای برنامه های یادگیری عمیق در جاوا اسکریپت در مرورگر شما یا در Node ارائه می دهد.

مرحله 3: با استفاده از TensorFlow.js با مثال‌ها تمرین کنید

تمرین باعث عالی می شود و دستیابی به تجربه بهترین راه برای قفل کردن مفاهیم است. برای افزایش دانش خود با این راهنمای گام به گام برای موارد استفاده رایج، کد لبه های TensorFlow.js را بررسی کنید:

  1. "ماشین قابل آموزش" خود را از یک بوم خالی بسازید

  2. تشخیص رقم دست‌نویس با شبکه‌های عصبی کانولوشنال

  3. از داده های دو بعدی پیش بینی کنید

  4. یک Python SavedModel را به فرمت TensorFlow.js تبدیل کنید

  5. از Firebase برای استقرار و میزبانی یک مدل TensorFlow.js استفاده کنید

  6. یک سیستم تشخیص هرزنامه نظرات بسازید

  7. یک مدل تشخیص هرزنامه نظر را دوباره آموزش دهید تا موارد لبه سفارشی را مدیریت کند

  8. تشخیص صدا با استفاده از آموزش انتقال

با دانش خود از شبکه های عصبی، می توانید به راحتی نمونه های منبع باز ایجاد شده توسط تیم TensorFlow را کشف کنید. همه آنها در GitHub در دسترس هستند ، بنابراین می توانید کد را بررسی کنید و ببینید که چگونه کار می کنند.

نمونه هایی که با TensorFlow.js ساخته شده اند

یک مخزن در GitHub که شامل مجموعه ای از نمونه های پیاده سازی شده در TensorFlow.js است. هر دایرکتوری نمونه مستقل است، بنابراین فهرست را می توان در پروژه دیگری کپی کرد.

آموزش های ما را کاوش کنید تا یاد بگیرید چگونه با TensorFlow.js شروع کنید

آموزش‌های TensorFlow به‌عنوان نوت‌بوک Jupyter نوشته شده‌اند و مستقیماً در Google Colab اجرا می‌شوند - یک محیط نوت‌بوک میزبانی شده که نیازی به تنظیم ندارد. روی دکمه Run in Google Colab کلیک کنید.

مرحله 4: چیزی جدید بسازید!

هنگامی که دانش خود را آزمایش کردید و با برخی از نمونه های TensorFlow.js تمرین کردید، باید آماده شروع توسعه پروژه های خود باشید. به مدل های از پیش آموزش دیده ما نگاهی بیندازید و در عرض چند دقیقه شروع به ساختن یک برنامه کنید. یا می توانید مدل خود را با استفاده از داده هایی که جمع آوری کرده اید یا با استفاده از مجموعه داده های عمومی آموزش دهید. Kaggle و Google Dataset Search مکان‌های عالی برای یافتن مجموعه داده‌های باز برای آموزش مدل شما هستند.

اگر به‌دنبال الهام هستید، برنامه Made With TensorFlow.js ما را بررسی کنید و قسمت‌هایی را از افرادی در سراسر جهان که از TensorFlow.js در برنامه‌های خود استفاده کرده‌اند، بگویید.

همچنین می توانید با جستجوی هشتگ #MadeWithTFJS در شبکه های اجتماعی، آخرین مشارکت های انجمن را مشاهده کنید.