Attend the Women in ML Symposium on December 7 Register now
Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

TensorFlow per lo sviluppo di JavaScript

Prima di iniziare con i materiali didattici di seguito, dovresti:

  1. Essere a proprio agio con la programmazione del browser utilizzando HTML, CSS e JavaScript

  2. Acquisire familiarità con l'utilizzo della riga di comando per eseguire gli script Node.js

Questo curriculum è per le persone che vogliono:

  1. Crea modelli ML in JavaScript

  2. Esegui modelli esistenti ovunque sia possibile eseguire Javascript

  3. Distribuisci modelli ML ai browser Web

TensorFlow.js ti consente di sviluppare o eseguire modelli ML in JavaScript e utilizzare ML direttamente sul lato client del browser, lato server tramite Node.js, nativo mobile tramite React Native, nativo desktop tramite Electron e persino su dispositivi IoT tramite Node.js su Raspberry Pi. Per saperne di più su TensorFlow.js e su cosa si può fare con esso, dai un'occhiata a questo discorso su Google I/O.

Passaggio 1: scopri l'apprendimento automatico nel browser

Per ottenere una rapida introduzione alle nozioni di base per ML in JavaScript, segui il corso di autoapprendimento su Edx o guarda i video seguenti che ti guidano dai primi principi, all'utilizzo di modelli predefiniti esistenti e persino alla creazione della tua rete neurale per la classificazione. Puoi anche provare Crea una webcam intelligente in JavaScript Codelab per una panoramica interattiva di questi concetti.

Superpoteri per le app Web di nuova generazione: Machine Learning

Questa introduzione di alto livello all'apprendimento automatico in JavaScript è per gli sviluppatori Web che desiderano muovere i primi passi con TensorFlow.js.

Google AI per sviluppatori JavaScript con TensorFlow.js

Passa da zero a eroe con Web ML utilizzando TensorFlow.js. Scopri come creare app Web di nuova generazione che possono essere eseguite sul lato client ed essere utilizzate su quasi tutti i dispositivi.

Crea una webcam intelligente in JavaScript con un modello pre-addestrato

Scopri come caricare e utilizzare uno dei modelli pre-addestrati di TensorFlow.js (COCO-SSD) e utilizzarlo per riconoscere gli oggetti comuni su cui è stato addestrato.

Gratuito
Vedi Codelab

Passaggio 2: approfondisci il Deep Learning

Per ottenere una comprensione più profonda di come funzionano le reti neurali e una comprensione più ampia di come applicarle a problemi diversi, abbiamo due libri disponibili.

Imparare TensorFlow.js è un ottimo punto di partenza se non conosci i tensori e l'apprendimento automatico in generale, ma hai una buona conoscenza di JavaScript. Questo libro ti porta dalle nozioni di base come capire come manipolare i dati nei tensori, per passare rapidamente alle applicazioni del mondo reale. Dopo aver letto, capirai come caricare i modelli esistenti, passare loro i dati e interpretare i dati che escono.

Anche il deep learning con JavaScript è un ottimo punto di partenza. È accompagnato da un gran numero di esempi di GitHub, così puoi esercitarti a lavorare con l'apprendimento automatico in JavaScript.

Questo libro dimostrerà come utilizzare un'ampia varietà di architetture di reti neurali, come le reti neurali convoluzionali, le reti neurali ricorrenti e paradigmi di formazione avanzati come l'apprendimento per rinforzo. Fornisce inoltre spiegazioni chiare di ciò che sta effettivamente accadendo con la rete neurale nel processo di addestramento.

Apprendimento TensorFlow.js
di Gant Laborde

Un approccio pratico end-to-end ai fondamenti di TensorFlow.js per un vasto pubblico tecnico. Una volta terminato questo libro, saprai come creare e distribuire sistemi di deep learning pronti per la produzione con TensorFlow.js.

Apprendimento profondo con JavaScript
di Shanqing Cai, Stanley Bileschi, Eric D. Nielsen con Francois Chollet

Scritto dai principali autori della libreria TensorFlow, questo libro fornisce affascinanti casi d'uso e istruzioni dettagliate per le app di deep learning in JavaScript nel tuo browser o su Node.

Passaggio 3: esercitati con esempi utilizzando TensorFlow.js

La pratica rende perfetti e mettere le mani sull'esperienza è il modo migliore per bloccare i concetti. Dai un'occhiata ai codelab TensorFlow.js per approfondire le tue conoscenze con queste guide passo passo per casi d'uso comuni:

  1. Crea la tua "macchina insegnabile" da una tela bianca

  2. Riconoscimento delle cifre scritte a mano con le reti neurali convoluzionali

  3. Fare previsioni da dati 2D

  4. Converti un modello salvato in Python nel formato TensorFlow.js

  5. Usa Firebase per distribuire e ospitare un modello TensorFlow.js

  6. Costruisci un sistema di rilevamento dello spam nei commenti

  7. Riqualificare un modello di rilevamento dello spam nei commenti per gestire casi limite personalizzati

  8. Riconoscimento audio tramite trasferimento di apprendimento

Con la tua conoscenza delle reti neurali, puoi esplorare più facilmente gli esempi open source creati dal team di TensorFlow. Sono tutti disponibili su GitHub , quindi puoi approfondire il codice e vedere come funzionano.

Esempi creati con TensorFlow.js

Un repository su GitHub che contiene una serie di esempi implementati in TensorFlow.js. Ogni directory di esempio è autonoma, quindi la directory può essere copiata in un altro progetto.

Gratuito
Scopri di più
Esplora i nostri tutorial per scoprire come iniziare con TensorFlow.js

I tutorial di TensorFlow sono scritti come notebook Jupyter ed eseguiti direttamente in Google Colab, un ambiente notebook ospitato che non richiede alcuna configurazione. Fai clic sul pulsante Esegui in Google Colab.

Gratuito
Scopri di più

Passaggio 4: crea qualcosa di nuovo!

Dopo aver testato le tue conoscenze e fatto pratica con alcuni degli esempi di TensorFlow.js, dovresti essere pronto per iniziare a sviluppare i tuoi progetti. Dai un'occhiata ai nostri modelli preaddestrati e inizia a creare un'app in pochi minuti. Oppure puoi addestrare il tuo modello utilizzando i dati che hai raccolto o utilizzando set di dati pubblici. Kaggle e Google Dataset Search sono ottimi posti per trovare dataset aperti per addestrare il tuo modello.

Se stai cercando ispirazione, dai un'occhiata al nostro spettacolo Made With TensorFlow.js e racconta episodi di persone di tutto il mondo che hanno utilizzato TensorFlow.js nelle loro applicazioni.

Puoi anche vedere gli ultimi contributi della community cercando l'hashtag #MadeWithTFJS sui social media.