Google is committed to advancing racial equity for Black communities. See how.

Spezialisierung: Grundlagen von TensorFlow für die JavaScript-Entwicklung

Bevor Sie mit den folgenden Lernmaterialien beginnen, sollten Sie:

  1. Mit der Browser-Programmierung mit HTML & JavaScript vertraut sein comfortable

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

Dieses Curriculum richtet sich an Menschen, die:

  1. ML-Modelle in JavaScript erstellen

  2. Führen Sie vorhandene TensorFlow.js-Modelle aus

  3. Bereitstellen von ML-Modellen in Webbrowsern

Mit TensorFlow.js können Sie ML-Modelle in JavaScript entwickeln und ML direkt im Browser oder auf Node.js verwenden. Um mehr zu erfahren über TensorFlow.js, und was mit ihnen geschehen Besuchen dieses Gesprächs bei Google I / O.

Schritt 1: Schneller Einstieg in Machine Learning im Browser.

Um eine schnelle Einführung in Grundlagen für ML in JavaScript zu erhalten, sehen Sie diese Video - Serie auf YouTube , die Sie von ersten Prinzipien nehmen, ein neuronales Netzwerk zum Aufbau grundlegende Klassifizierung zu tun.

Online-Einführungskurse
Erste Schritte mit TensorFlow.js von TensorFlow

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

Schritt 2: Tauchen Sie tiefer in Deep Learning ein

Um ein tieferes Verständnis davon , wie neuronale Netze Arbeit zu bekommen, und ein breiteres Verständnis davon , wie sich auf verschiedene Probleme anzuwenden, das Buch Deep Learning mit JavaScript ist ein großartiger Ort zu starten. Es wird von einer Vielzahl von Beispielen von GitHub begleitet, damit Sie den Umgang mit maschinellem Lernen in JavaScript üben können.

Dieses Buch zeigt, wie man eine Vielzahl von neuronalen Netzarchitekturen wie Convolutional Neural Networks, Recurrent Neural Networks und fortgeschrittene Trainingsparadigmen wie Reinforcement Learning verwendet. Es liefert auch klare Erklärungen, was tatsächlich mit dem neuronalen Netz im Trainingsprozess passiert.

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

Dieses Buch wurde von den Hauptautoren der TensorFlow-Bibliothek geschrieben und bietet faszinierende Anwendungsfälle und detaillierte 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 zu sammeln ist der beste Weg, um die Konzepte zu verankern. Mit Ihrem Wissen über neuronale Netze, können Sie mehr erkunden leicht die Open Source Beispiele von dem TensorFlow Team erstellt. Sie sind alle auf GitHub , so dass Sie in den Code vertiefen können und sehen , 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
Mit TensorFlow.js erstellte Beispiele

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.

TensorFlow.JS
In unseren Tutorials erfahren Sie, wie Sie mit TensorFlow.js beginnenj

Die TensorFlow-Tutorials sind als Jupyter-Notebooks geschrieben und werden direkt in Google Colab ausgeführt – einer gehosteten Notebook-Umgebung, die keine Einrichtung erfordert. Klicken Sie auf die Schaltfläche In Google Colab ausführen.

Schritt 4: Machen Sie etwas Neues!

Nachdem Sie Ihr Wissen getestet und mit einigen der TensorFlow.js-Beispiele geübt haben, sollten Sie bereit sein, Ihre eigenen Projekte zu entwickeln. Werfen Sie einen Blick auf unsere vortrainierter Modelle , und starten Sie eine App zu bauen. Oder Sie trainieren Ihr eigenes Modell mit den von Ihnen gesammelten Daten oder mit öffentlichen Datasets. Kaggle und Google Dataset Suche sind die großen Plätze offen Datensätze zu finden für Ihr Modell zu trainieren.