Watch keynotes, product sessions, workshops, and more from Google I/O See playlist

Spezialisierung: Grundlagen von TensorFlow für die JavaScript-Entwicklung

Bevor Sie mit den folgenden Lernmaterialien beginnen, sollten Sie:

  1. Machen Sie sich mit der Browserprogrammierung mit HTML und JavaScript vertraut

  2. Machen Sie sich mit der Verwendung der Befehlszeile zum Ausführen von node.js-Skripten vertraut

Dieser Lehrplan richtet sich an Personen, die:

  1. Erstellen Sie ML-Modelle in JavaScript

  2. Führen Sie vorhandene TensorFlow.js-Modelle aus

  3. Stellen Sie ML-Modelle in Webbrowsern bereit

Mit TensorFlow.js können Sie ML-Modelle in JavaScript entwickeln und ML direkt im Browser oder auf Node.js verwenden. Weitere Informationen zu TensorFlow.js und den möglichen Vorgehensweisen finden Sie in diesem Vortrag bei Google I / O.

Schritt 1: Schnelle Einführung in das maschinelle Lernen im Browser.

Um eine kurze Einführung in die Grundlagen von ML in JavaScript zu erhalten, sehen Sie sich diese Videoserie auf YouTube an , die Sie von den ersten Prinzipien bis zum Aufbau eines neuronalen Netzwerks für die grundlegende Klassifizierung führt.

Online-Einführungskurse
Erste Schritte mit TensorFlow.js von TensorFlow

Eine dreiteilige Serie, die sowohl das Training als auch das Ausführen von maschinell erlernten Modellen mit TensorFlow.js untersucht und Ihnen zeigt, wie Sie ein maschinelles Lernmodell in JavaScript erstellen, das direkt im Browser ausgeführt wird.

Kostenlos
Uhr  

Schritt 2: Tauchen Sie tiefer in Deep Learning ein

Um ein tieferes Verständnis der Funktionsweise neuronaler Netze und ein umfassenderes Verständnis ihrer Anwendung auf verschiedene Probleme zu erhalten, ist das Buch Deep Learning mit JavaScript ein guter Ausgangspunkt. Es wird von einer Vielzahl von Beispielen aus GitHub begleitet, damit Sie das Arbeiten mit maschinellem Lernen in JavaScript üben können.

In diesem Buch wird gezeigt, wie eine Vielzahl von Architekturen für neuronale Netze verwendet werden können, z. B. Faltungs-Neuronale Netze, Wiederkehrende Neuronale Netze und Fortbildungsparadigmen wie das verstärkte Lernen. Es liefert auch klare Erklärungen darüber, was tatsächlich mit dem neuronalen Netzwerk im Trainingsprozess passiert.

Online-Einführungskurse
Deep Learning mit JavaScript von Shanqing Cai, Stanley Bileschi, Eric D. Nielsen und Francois Chollet

Dieses Buch wurde von den Hauptautoren der TensorFlow-Bibliothek verfasst und bietet faszinierende Anwendungsfälle und ausführliche Anweisungen für Deep-Learning-Apps in JavaScript in Ihrem Browser oder auf Node.

Schritt 3: Üben Sie mit Beispielen mit TensorFlow.js

Übung macht den Meister, und praktische Erfahrungen sind der beste Weg, um die Konzepte zu verankern. Mit Ihrem Wissen über neuronale Netze können Sie die vom TensorFlow-Team erstellten Open-Source- Beispiele einfacher erkunden. Sie sind alle auf GitHub verfügbar , sodass Sie sich mit dem Code befassen und sehen können, wie sie funktionieren. Zu Experimentieren mit gemeinsamen Anwendungsfälle können Sie Faltungs neuronale Netze mit der Erkundung beginnen mnist Beispiel , versuchen Transfer Erlernen der Verwendung von mnist-Transfer-cnn Beispiel, oder sehen , wie wiederkehrende neuronale Netze sind mit dem strukturierten Zusatz-rnn Beispiel .

TensorFlow.JS
Beispiele, die mit TensorFlow.js erstellt wurden

Ein Repository auf GitHub, das eine Reihe von Beispielen enthält, die in TensorFlow.js implementiert sind. Jedes Beispielverzeichnis ist eigenständig, sodass das Verzeichnis in ein anderes Projekt kopiert werden kann.

Kostenlos
Mehr erfahren  
TensorFlow.JS
In unseren Tutorials erfahren Sie, wie Sie mit TensorFlow.js beginnen

Die TensorFlow-Tutorials sind als Jupyter-Notizbücher geschrieben und werden direkt in Google Colab ausgeführt - einer gehosteten Notizbuchumgebung, für die keine Einrichtung erforderlich ist. Klicken Sie auf die Schaltfläche In Google Colab ausführen.

Kostenlos
Mehr erfahren  

Schritt 4: Machen Sie etwas Neues!

Sobald Sie Ihr Wissen getestet und mit einigen Beispielen von TensorFlow.j geübt haben, sollten Sie bereit sein, mit der Entwicklung Ihrer eigenen Projekte zu beginnen. Schauen Sie sich unsere vorgefertigten Modelle an und beginnen Sie mit der Erstellung einer App. Sie können Ihr eigenes Modell auch anhand von Daten trainieren, die Sie gesammelt haben, oder indem Sie öffentliche Datensätze verwenden. Kaggle und Google Dataset Search sind großartige Orte, um offene Datensätze für das Training Ihres Modells zu finden.