TensorFlow для разработки JavaScript
Прежде чем приступить к изучению учебных материалов, приведенных ниже, вам следует:
Умение программировать в браузере с использованием HTML, CSS и JavaScript
Ознакомьтесь с использованием командной строки для запуска скриптов Node.js.
Эта учебная программа предназначена для тех, кто хочет:
Создавайте модели машинного обучения в JavaScript
Запускайте существующие модели везде, где может работать Javascript
Развертывание моделей машинного обучения в веб-браузерах
TensorFlow.js позволяет разрабатывать или выполнять модели машинного обучения в JavaScript и использовать машинное обучение непосредственно на стороне клиента браузера, на стороне сервера с помощью Node.js, на мобильных устройствах с помощью React Native, на рабочем столе с помощью Electron и даже на устройствах IoT с помощью Node.js. на малине пи. Чтобы узнать больше о TensorFlow.js и о том, что с ним можно сделать, ознакомьтесь с этим докладом на Google I/O.
Шаг 1. Знакомство с машинным обучением в браузере
Чтобы получить краткое представление об основах машинного обучения в JavaScript, пройдите курс для самостоятельного обучения на Edx или посмотрите приведенные ниже видеоролики, которые проведут вас от первых принципов до использования существующих готовых моделей и даже создания собственной нейронной сети для классификации. Вы также можете попробовать создать интеллектуальную веб-камеру в JavaScript Codelab для интерактивного пошагового ознакомления с этими концепциями.
Это высокоуровневое введение в машинное обучение в JavaScript предназначено для веб-разработчиков, желающих сделать свои первые шаги с TensorFlow.js.
Пройдите путь от нуля до героя с помощью веб-машинного обучения с помощью TensorFlow.js. Узнайте, как создавать веб-приложения следующего поколения, которые могут работать на стороне клиента и использоваться практически на любом устройстве.
Узнайте, как загрузить и использовать одну из предварительно обученных моделей TensorFlow.js (COCO-SSD) и использовать ее для распознавания общих объектов, на которых она была обучена.
Шаг 2. Погрузитесь глубже в глубокое обучение
Чтобы получить более глубокое понимание того, как работают нейронные сети, и более широкое понимание того, как их применять к различным задачам, у нас есть две доступные книги.
Изучение TensorFlow.js — отличное место для начала, если вы новичок в тензорах и машинном обучении в целом, но хорошо понимаете JavaScript. Эта книга проведет вас от основ, таких как понимание того, как манипулировать данными в тензорах, до быстрого перехода к реальным приложениям. После прочтения вы поймете, как загружать существующие модели, передавать им данные и интерпретировать полученные данные.
Глубокое обучение с помощью JavaScript также является отличным началом. Он сопровождается большим количеством примеров с GitHub, чтобы вы могли попрактиковаться в работе с машинным обучением в JavaScript.
Эта книга продемонстрирует, как использовать широкий спектр архитектур нейронных сетей, таких как сверточные нейронные сети, рекуррентные нейронные сети и парадигмы продвинутого обучения, такие как обучение с подкреплением. Также даются четкие объяснения того, что на самом деле происходит с нейронной сетью в процессе обучения.
Практический комплексный подход к основам TensorFlow.js для широкой технической аудитории. Прочитав эту книгу, вы узнаете, как создавать и развертывать готовые к эксплуатации системы глубокого обучения с помощью TensorFlow.js.
Эта книга, написанная основными авторами библиотеки TensorFlow, содержит увлекательные примеры использования и подробные инструкции для приложений глубокого обучения на JavaScript в вашем браузере или на Node.
Шаг 3. Практика на примерах с использованием TensorFlow.js
Практика ведет к совершенству, а получение практического опыта — лучший способ закрепить концепции. Ознакомьтесь с лабораториями кода TensorFlow.js , чтобы расширить свои знания с помощью этих пошаговых руководств для распространенных случаев использования:
Создайте свою собственную «Обучаемую машину» из чистого холста.
Распознавание рукописных цифр с помощью сверточных нейронных сетей
Преобразование сохраненной модели Python в формат TensorFlow.js
Используйте Firebase для развертывания и размещения модели TensorFlow.js.
Обладая знаниями о нейронных сетях, вам будет легче изучать примеры с открытым исходным кодом, созданные командой TensorFlow. Все они доступны на GitHub , так что вы можете вникнуть в код и посмотреть, как они работают.
Репозиторий на GitHub, содержащий набор примеров, реализованных в TensorFlow.js. Каждый каталог примеров является автономным, поэтому каталог можно скопировать в другой проект.
Учебники TensorFlow написаны в виде блокнотов Jupyter и запускаются непосредственно в Google Colab — размещенной среде блокнотов, не требующей настройки. Нажмите кнопку «Выполнить в Google Colab».
Шаг 4: Сделайте что-то новое!
После того, как вы проверили свои знания и попрактиковались на некоторых примерах TensorFlow.js, вы должны быть готовы приступить к разработке собственных проектов. Взгляните на наши предварительно обученные модели и начните создавать приложение за считанные минуты. Или вы можете обучить свою собственную модель, используя собранные вами данные или общедоступные наборы данных. Kaggle и Google Dataset Search — отличные места для поиска открытых наборов данных для обучения вашей модели.
Если вы ищете вдохновения, посмотрите наше шоу «Сделано с помощью TensorFlow.js» и расскажите истории людей со всего мира, которые использовали TensorFlow.js в своих приложениях.
Вы также можете увидеть последние материалы сообщества, выполнив поиск по хэштегу #MadeWithTFJS в социальных сетях.