Google is committed to advancing racial equity for Black communities. See how.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

تخصص: مبانی TensorFlow برای توسعه JavaScript

قبل از شروع به مطالعه مطالب زیر ، شما 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 درسی برای افرادی است که می خواهند:

  1. مدل های ML را در JavaScript بسازید

  2. مدل های موجود TensorFlow.js را اجرا کنید

  3. مدل های ML را در مرورگرهای وب مستقر کنید

TensorFlow.js به شما امکان می دهد مدل های ML را در JavaScript توسعه دهید و از ML به طور مستقیم در مرورگر یا Node.js استفاده کنید. برای کسب اطلاعات بیشتر در مورد TensorFlow.js ، و آنچه را که می توان با آن انجام داد ، این بحث را در Google I / O بررسی کنید.

مرحله 1: معرفی سریع یادگیری ماشین در مرورگر.

برای آشنایی سریع با مبانی ML در JavaScript ، این مجموعه ویدیویی را در YouTube تماشا کنید ، که از اصول اولیه شما را به ساخت یک شبکه عصبی برای طبقه بندی اساسی می رساند.

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

یک سری 3 قسمتی که با استفاده از TensorFlow.js مدلهای یادگیری ماشین و آموزش را بررسی می کند و به شما نشان می دهد که چگونه یک مدل یادگیری ماشین در JavaScript ایجاد کنید که مستقیماً در مرورگر اجرا شود.

رایگان
تماشا کردن  

مرحله 2: بیشتر به یادگیری عمیق بپردازید

برای درک عمیق تر از نحوه کار شبکه های عصبی و درک وسیع تری از نحوه کاربرد آنها در مشکلات مختلف ، کتاب آموزش عمیق با جاوا اسکریپت مکانی عالی برای شروع است. این با تعداد زیادی مثال از GitHub همراه است ، بنابراین شما می توانید کار با یادگیری ماشین در JavaScript را تمرین کنید.

این کتاب نحوه استفاده از طیف گسترده ای از معماری های شبکه عصبی ، مانند شبکه های عصبی کانولوشن ، شبکه های عصبی راجعه و پارادایم های آموزش پیشرفته مانند یادگیری تقویت را نشان می دهد. همچنین توضیحات واضحی از آنچه واقعاً با شبکه عصبی در روند آموزش اتفاق می افتد ، ارائه می دهد.

دوره های مقدماتی آنلاین
یادگیری عمیق با جاوا اسکریپت توسط شانگینگ کای ، استنلی بیله اسکی ، اریک دی. نیلسن با فرانسوا چولت

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

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

تمرین کامل می شود و دستیابی به تجربه بهترین راه برای قفل کردن مفاهیم است. با دانش خود از شبکه های عصبی ، به راحتی می توانید نمونه های منبع باز ایجاد شده توسط تیم TensorFlow را کاوش کنید. همه آنها در GitHub در دسترس هستند ، بنابراین می توانید در کد وارد شوید و نحوه کار آنها را ببینید. برای آزمایش موارد استفاده معمول ، می توانید با استفاده از مثال mnist شروع به کاوش در شبکه های عصبی کانولوشن کنید ، یادگیری انتقال را با استفاده از مثال mnist-transfer-cnn امتحان کنید ، یا ببینید که ساختار شبکه های عصبی راجعه با مثال جمع-rnn چگونه ساخته شده است .

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

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

TensorFlow.JS
برای یادگیری نحوه شروع کار با TensorFlow.js ، آموزشهای ما را کاوش کنید

آموزشهای TensorFlow به عنوان دفترهای یادداشت Jupyter نوشته می شوند و مستقیماً در Google Colab اجرا می شوند - یک محیط نوت بوک میزبان که نیازی به نصب 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 مثالهای TensorFlow.js تمرین کردید ، باید آماده باشید تا پروژه های خود را توسعه دهید. نگاهی به مدل های آموزش دیده ما بیندازید و ساخت یک برنامه را شروع کنید. یا می توانید با استفاده از داده هایی که جمع آوری کرده اید ، یا با استفاده از مجموعه داده های عمومی مدل خود را آموزش دهید. Kaggle و Google Dataset Search مکان های بسیار خوبی برای یافتن مجموعه داده های باز برای آموزش مدل شما هستند.