TensorFlow לפיתוח JavaScript
לפני שמתחילים בחומרי הלמידה שלהלן, עליך:
היה נוח עם תכנות דפדפן באמצעות HTML, CSS ו-JavaScript
הכירו את השימוש בשורת הפקודה להפעלת סקריפטים של Node.js
תכנית הלימודים הזו מיועדת לאנשים שרוצים:
בניית מודלים של ML ב-JavaScript
הפעל מודלים קיימים בכל מקום שבו Javascript יכול לרוץ
פרוס דגמי ML לדפדפני אינטרנט
TensorFlow.js מאפשר לך לפתח או להפעיל מודלים של ML ב-JavaScript, ולהשתמש ב-ML ישירות בצד הלקוח של הדפדפן, בצד השרת דרך Node.js, native נייד דרך React Native, native שולחן העבודה דרך Electron, ואפילו במכשירי IoT דרך Node.js על Raspberry Pi. למידע נוסף על TensorFlow.js, ומה ניתן לעשות איתו, בדוק את ההרצאה הזו ב-Google I/O.
שלב 1: היכרות עם למידת מכונה בדפדפן
כדי לקבל מבוא מהיר על יסודות ML ב-JavaScript, קח את הקורס בקצב עצמי ב-Edx או צפה בסרטונים למטה שלוקחים אותך מהעקרונות הראשונים, לשימוש במודלים קיימים מראש, ואפילו בניית רשת עצבית משלך לסיווג. אתה יכול גם לנסות את צור מצלמת אינטרנט חכמה ב- JavaScript Codelab לקבלת הדרכה אינטראקטיבית של מושגים אלה.
מבוא זה ברמה גבוהה ללמידת מכונה ב-JavaScript מיועד למפתחי אינטרנט המעוניינים לעשות את צעדיהם הראשונים עם TensorFlow.js.
עבור מאפס לגיבור עם web ML באמצעות TensorFlow.js. למד כיצד ליצור יישומי אינטרנט מהדור הבא שיכולים להפעיל בצד הלקוח ולהשתמש בהם כמעט בכל מכשיר.
למד כיצד לטעון ולהשתמש באחד מהדגמים המאומנים מראש של TensorFlow.js (COCO-SSD) ולהשתמש בו כדי לזהות אובייקטים נפוצים עליהם הוא אומן.
שלב 2: צלול עמוק יותר לתוך למידה עמוקה
כדי לקבל הבנה מעמיקה יותר של איך רשתות עצביות עובדות, והבנה רחבה יותר של איך ליישם אותן על בעיות שונות, יש לנו שני ספרים זמינים.
לימוד TensorFlow.js הוא מקום מצוין להתחיל בו אם אתה חדש ב- Tensors ו- Machine Learning באופן כללי אבל יש לך הבנה טובה של JavaScript. ספר זה לוקח אותך כל הדרך מהיסודות כגון הבנה כיצד לתמרן נתונים לתוך Tensors, ועד להתקדמות מהירה ליישומים בעולם האמיתי. לאחר הקריאה תבינו כיצד לטעון מודלים קיימים, להעביר אליהם נתונים ולפרש נתונים שיוצאים.
למידה עמוקה עם JavaScript היא גם מקום מצוין להתחיל בו. זה מלווה במספר רב של דוגמאות מ-GitHub כך שתוכל להתאמן בעבודה עם למידת מכונה ב-JavaScript.
ספר זה ידגים כיצד להשתמש במגוון רחב של ארכיטקטורות של רשתות עצביות, כגון רשתות עצביות קונבולוציונליות, רשתות עצביות חוזרות, ופרדיגמות אימון מתקדמות כגון למידת חיזוק. הוא גם מספק הסברים ברורים על מה שקורה בפועל עם הרשת העצבית בתהליך האימון.
גישה מעשית מקצה לקצה ליסודות TensorFlow.js עבור קהל טכני רחב. לאחר שתסיים את הספר הזה, תדע כיצד לבנות ולפרוס מערכות למידה עמוקה מוכנות לייצור עם TensorFlow.js.
ספר זה, שנכתב על ידי המחברים הראשיים של ספריית TensorFlow, מספק מקרי שימוש מרתקים והדרכה מעמיקה לאפליקציות למידה עמוקה ב-JavaScript בדפדפן שלך או ב-Node.
שלב 3: תרגל עם דוגמאות באמצעות TensorFlow.js
תרגול עושה מושלם, והשגת ניסיון היא הדרך הטובה ביותר לנעול את המושגים. עיין במעבדות הקוד של TensorFlow.js כדי לקדם את הידע שלך עם המדריכים הבאים שלב אחר שלב למקרי שימוש נפוצים:
עם הידע שלך על רשתות עצביות, תוכל לחקור ביתר קלות את הדוגמאות במקור פתוח שנוצר על ידי צוות TensorFlow. כולם זמינים ב-GitHub , כך שתוכל להתעמק בקוד ולראות איך הם עובדים.
מאגר ב-GitHub המכיל קבוצה של דוגמאות המיושמות ב-TensorFlow.js. כל ספרייה לדוגמה היא עצמאית כך שניתן להעתיק את הספרייה לפרויקט אחר.
המדריכים של TensorFlow כתובים כמחברות Jupyter ופועלות ישירות ב-Google Colab - סביבת מחברת מתארחת שאינה דורשת הגדרה. לחץ על הלחצן הפעל ב-Google Colab.
שלב 4: צור משהו חדש!
לאחר שבדקת את הידע שלך, ותתרגל עם כמה מהדוגמאות של TensorFlow.js, אתה אמור להיות מוכן להתחיל לפתח פרויקטים משלך. תסתכל על הדגמים המוכשרים שלנו ותתחיל לבנות אפליקציה תוך דקות. לחלופין, אתה יכול לאמן מודל משלך באמצעות נתונים שאספת, או באמצעות מערכי נתונים ציבוריים. Kaggle ו- Google Dataset Search הם מקומות נהדרים למצוא מערכי נתונים פתוחים להדרכה של המודל שלך.
אם אתה מחפש השראה, בדוק את התוכנית Made With TensorFlow.js שלנו וספר פרקים מאנשים בכל רחבי העולם שהשתמשו ב-TensorFlow.js ביישומים שלהם.
אתה יכול גם לראות את התרומות האחרונות מהקהילה על ידי חיפוש ההאשטאג #MadeWithTFJS במדיה החברתית.