Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

TensorFlow do programowania w JavaScript

Zanim zaczniesz korzystać z poniższych materiałów edukacyjnych, powinieneś:

  1. Opanuj programowanie w przeglądarce przy użyciu HTML, CSS i JavaScript

  2. Zapoznaj się z używaniem wiersza poleceń do uruchamiania skryptów Node.js

Ten program jest przeznaczony dla osób, które chcą:

  1. Twórz modele ML w JavaScript

  2. Uruchamiaj istniejące modele w dowolnym miejscu, w którym można uruchomić JavaScript

  3. Wdrażaj modele ML w przeglądarkach internetowych

TensorFlow.js umożliwia tworzenie lub wykonywanie modeli ML w JavaScript oraz używanie ML bezpośrednio po stronie klienta przeglądarki, po stronie serwera przez Node.js, natywne dla urządzeń mobilnych poprzez React Native, natywne dla komputerów stacjonarnych poprzez Electron, a nawet na urządzeniach IoT poprzez Node.js na Raspberry Pi. Aby dowiedzieć się więcej o TensorFlow.js i co można z nim zrobić, zapoznaj się z tym wykładem na Google I/O.

Krok 1: zapoznaj się z uczeniem maszynowym w przeglądarce

Aby uzyskać szybkie wprowadzenie do podstaw ML w JavaScript, weź udział w kursie Edx we własnym tempie lub obejrzyj poniższe filmy, które przeprowadzą Cię od pierwszych zasad, do korzystania z istniejących gotowych modeli, a nawet do budowania własnej sieci neuronowej do klasyfikacji. Możesz również wypróbować Stwórz inteligentną kamerę internetową w JavaScript Codelab, aby uzyskać interaktywny opis tych pojęć.

Supermoce dla aplikacji internetowych nowej generacji: Uczenie maszynowe

To wysokopoziomowe wprowadzenie do uczenia maszynowego w JavaScript jest przeznaczone dla twórców stron internetowych, którzy chcą stawiać pierwsze kroki z TensorFlow.js.

Bezpłatny
Obejrzyj wideo
Google AI dla programistów JavaScript z TensorFlow.js

Przejdź od zera do bohatera dzięki web ML przy użyciu TensorFlow.js. Dowiedz się, jak tworzyć aplikacje internetowe nowej generacji, które mogą działać po stronie klienta i być używane na prawie każdym urządzeniu.

Bezpłatny
Zobacz kurs
Stwórz inteligentną kamerę internetową w JavaScript ze wstępnie wytrenowanym modelem

Dowiedz się, jak załadować i używać jednego ze wstępnie wytrenowanych modeli TensorFlow.js (COCO-SSD) i używać go do rozpoznawania typowych obiektów, na których został przeszkolony.

Krok 2: Zanurz się głębiej w Deep Learning

Aby uzyskać głębsze zrozumienie działania sieci neuronowych oraz szersze zrozumienie, jak zastosować je do różnych problemów, mamy dwie dostępne książki.

Nauka TensorFlow.js to świetne miejsce do rozpoczęcia, jeśli nie masz doświadczenia z Tensorami i Uczeniem Maszynowym, ale dobrze rozumiesz JavaScript. Ta książka prowadzi Cię od podstaw, takich jak zrozumienie, jak manipulować danymi w tensorach, do szybkiego przejścia do rzeczywistych zastosowań. Po przeczytaniu zrozumiesz, jak ładować istniejące modele, przekazywać do nich dane i interpretować dane, które się pojawiają.

Głębokie uczenie się z JavaScriptem to także świetne miejsce na rozpoczęcie. Towarzyszy mu duża liczba przykładów z GitHub, dzięki czemu możesz ćwiczyć pracę z uczeniem maszynowym w JavaScript.

Ta książka pokaże, jak korzystać z szerokiej gamy architektur sieci neuronowych, takich jak splotowe sieci neuronowe, rekurencyjne sieci neuronowe i zaawansowane paradygmaty szkoleniowe, takie jak uczenie ze wzmocnieniem. Zapewnia również jasne wyjaśnienia tego, co faktycznie dzieje się z siecią neuronową w procesie uczenia.

Nauka TensorFlow.js
przez Gant Laborde

Praktyczne, kompleksowe podejście do podstaw TensorFlow.js dla szerokiej publiczności technicznej. Po ukończeniu tej książki będziesz wiedział, jak budować i wdrażać gotowe do produkcji systemy uczenia głębokiego za pomocą TensorFlow.js.

Głębokie uczenie z JavaScript
Shanqing Cai, Stanley Bileschi, Eric D. Nielsen i Francois Chollet

Ta książka, napisana przez głównych autorów biblioteki TensorFlow, zawiera fascynujące przypadki użycia i szczegółowe instrukcje dotyczące aplikacji do głębokiego uczenia się w JavaScript w przeglądarce lub w Node.

Krok 3: Ćwicz z przykładami przy użyciu TensorFlow.js

Praktyka czyni mistrza, a zdobywanie doświadczenia to najlepszy sposób na uchwycenie koncepcji. Zapoznaj się z ćwiczeniami z kodowania TensorFlow.js , aby poszerzyć swoją wiedzę dzięki tym przewodnikom krok po kroku dotyczącym typowych przypadków użycia:

  1. Stwórz swoją własną „uczącą się maszynę” z czystego płótna

  2. Rozpoznawanie odręcznych cyfr za pomocą splotowych sieci neuronowych

  3. Twórz prognozy na podstawie danych 2D

  4. Konwersja zapisanego modelu Pythona do formatu TensorFlow.js

  5. Użyj Firebase, aby wdrożyć i hostować model TensorFlow.js

  6. Zbuduj system wykrywania spamu w komentarzach

  7. Ponownie przeszkol model wykrywania spamu w komentarzach, aby obsługiwać niestandardowe przypadki brzegowe

  8. Rozpoznawanie dźwięku za pomocą uczenia transferu

Dzięki swojej wiedzy o sieciach neuronowych możesz łatwiej eksplorować przykłady open source stworzone przez zespół TensorFlow. Wszystkie są dostępne na GitHub , więc możesz zagłębić się w kod i zobaczyć, jak działają.

Przykłady zbudowane za pomocą TensorFlow.js

Repozytorium na GitHub zawierające zestaw przykładów zaimplementowanych w TensorFlow.js. Każdy przykładowy katalog jest samodzielny, więc katalog można skopiować do innego projektu.

Bezpłatny
Ucz się więcej
Zapoznaj się z naszymi samouczkami, aby dowiedzieć się, jak rozpocząć korzystanie z TensorFlow.js

Samouczki TensorFlow są napisane jako notatniki Jupyter i działają bezpośrednio w Google Colab — hostowanym środowisku notatników, które nie wymaga konfiguracji. Kliknij przycisk Uruchom w Google Colab.

Bezpłatny
Ucz się więcej

Krok 4: Zrób coś nowego!

Gdy już sprawdzisz swoją wiedzę i przećwiczysz niektóre przykłady z TensorFlow.js, powinieneś być gotowy do rozpoczęcia tworzenia własnych projektów. Zapoznaj się z naszymi wstępnie wytrenowanymi modelami i zacznij tworzyć aplikację w kilka minut. Możesz też wytrenować własny model przy użyciu zebranych danych lub przy użyciu publicznych zestawów danych. Kaggle i Google Dataset Search to świetne miejsca do znajdowania otwartych zbiorów danych do trenowania Twojego modelu.

Jeśli szukasz inspiracji, sprawdź nasz program Made With TensorFlow.js i opowiedz odcinki od ludzi z całego świata, którzy używali TensorFlow.js w swoich aplikacjach.

Możesz także zobaczyć najnowsze wpisy społeczności, wyszukując hashtag #MadeWithTFJS w mediach społecznościowych.