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

تخصص: اصول TensorFlow برای توسعه جاوا اسکریپت

قبل از شروع مطالب آموزشی زیر ، باید:

  1. با برنامه نویسی مرورگر با استفاده از HTML و JavaScript 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. مدلهای موجود TensorFlow.js را اجرا کنید

  3. مدلهای ML را در مرورگرهای وب مستقر کنید

TensorFlow.js به شما امکان می دهد مدلهای ML را در جاوا اسکریپت توسعه دهید و مستقیماً از ML در مرورگر یا در Node.js. برای کسب اطلاعات بیشتر در مورد TensorFlow.js، و آنچه را می توان با آن انجام می شود، بررسی کنید که این بحث در کنفرانس Google I / O.

مرحله 1: آموزش سریع یادگیری ماشین در مرورگر

برای دریافت معرفی سریع در اصول اولیه برای ML در جاوا اسکریپت، تماشای این سری ویدئو در یوتیوب ، که شما را از اصول اولیه، به ایجاد یک شبکه عصبی برای انجام طبقه بندی اساسی است.

دوره های آنلاین مقدماتی
شروع کار با TensorFlow.js توسط TensorFlow

یک سری سه قسمتی که هم آموزش و هم اجرای مدل های یادگیری ماشین را با TensorFlow.js بررسی می کند و به شما نشان می دهد که چگونه یک مدل یادگیری ماشین در جاوا اسکریپت ایجاد کنید که مستقیماً در مرورگر اجرا می شود.

رایگان
تماشا کردن  

مرحله 2: در یادگیری عمیق غوطه ور شوید

برای به دست آوردن درک عمیق تر از کار شبکه چگونه عصبی، و درک وسیع تری از چگونگی کاربرد آنها به مشکلات مختلف، کتاب یادگیری عمیق با جاوا اسکریپت یک محل عالی برای شروع است. با تعداد زیادی مثال از GitHub همراه است ، بنابراین می توانید کار با یادگیری ماشین را در جاوا اسکریپت تمرین کنید.

این کتاب نحوه استفاده از طیف گسترده ای از معماری های شبکه عصبی ، مانند شبکه های عصبی کانولوشن ، شبکه های عصبی مکرر و الگوهای آموزشی پیشرفته مانند یادگیری تقویتی را نشان می دهد. همچنین توضیحات واضحی از آنچه در واقع در شبکه عصبی در فرآیند آموزش اتفاق می افتد ارائه می دهد.

دوره های آنلاین مقدماتی
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 کاربردی جذاب و دستورالعمل های عمیقی برای برنامه های یادگیری عمیق در جاوا اسکریپت در مرورگر شما یا Node ارائه می دهد.

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

تمرین بی نقص است ، و دست یابی به تجربه بهترین راه برای قفل کردن مفاهیم است. با دانش خود را از شبکه های عصبی، شما به راحتی می توانید منبع باز کشف نمونه تولید شده توسط گروه TensorFlow. همه آنها در GitHub در دسترس است، بنابراین شما می توانید به کد حفر کردن و ببینید که چگونه کار می کنند. برای آزمایش با موارد استفاده مشترک، شما می توانید شروع به کاوش شبکه های عصبی کانولوشن با استفاده از مثال MNIST ، سعی کنید انتقال یادگیری با استفاده از MNIST انتقال-سی ان ان مثال، یا ببینید که چگونه مکرر شبکه های عصبی با ساختار به عنوان مثال علاوه بر-RNN .

TensorFlow.JS
نمونه هایی که با TensorFlow.js ساخته شده اند

مخزنی در GitHub که شامل مجموعه ای از نمونه ها است که در TensorFlow.js پیاده سازی شده است. هر دایرکتوری نمونه مستقل است بنابراین می توان آن را در پروژه دیگری کپی کرد.

TensorFlow.JS
برای آشنایی با نحوه شروع کار با TensorFlow.js ، آموزش های ما را کاوش کنید

آموزش های TensorFlow به عنوان نوت بوک های Jupyter نوشته می شوند و مستقیماً در Google Colab اجرا می شوند - محیط نوت بوک میزبانی شده که نیازی به راه اندازی ندارد. روی دکمه Run in Google Colab کلیک کنید.

مرحله 4: چیز جدیدی بسازید!

هنگامی که دانش خود را آزمایش کردید و با برخی از نمونه های TensorFlow.js تمرین کردید ، باید آماده توسعه پروژه های خود باشید. نگاهی به ما مدل pretrained ، و شروع به ساخت یک برنامه. 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 گوگل مجموعه داده جستجو مکان عالی برای پیدا کردن مجموعه داده باز برای آموزش مدل شما می باشد.