透過集合功能整理內容 你可以依據偏好儲存及分類內容。

使用 TensorFlow 進行 JavaScript 開發作業

開始使用下方的學習教材之前,請先完成下列事項:

  1. 熟悉使用 HTML、CSS 和 JavaScript 進行瀏覽器程式設計

  2. 熟悉使用指令列執行 Node.js 指令碼

如果您想達成下列目標,就很適合參加本課程:

  1. 使用 JavaScript 建構機器學習模型

  2. 在可執行 JavaScript 的任何位置執行現有的模型

  3. 將機器學習模型部署到網路瀏覽器

TensorFlow.js 能讓您使用 JavaScript 開發或執行機器學習模型,並直接在瀏覽器用戶端、透過 Node.js 在伺服器端、透過 React Native 在行動版原生應用程式中、透過 Electron 在電腦版原生應用程式中,甚至透過 Raspberry Pi 上的 Node.js 在物聯網裝置上使用機器學習技術。想進一步瞭解 TensorFlow.js 與其用途,請參考 Google I/O 大會的 這場演講

步驟 1:瞭解瀏覽器中的機器學習

To get a quick introduction on basics for ML in JavaScript, take the self-paced course on Edx or watch the videos below that take you from first principles, to using existing pre-made models, and even building your own neural network for classification. You can also try the Make a smart webcam in JavaScript Codelab for an interactive walkthrough of these concepts.

下一代網頁應用程式的強大能力:機器學習

這堂概覽課程說明如何以 JavaScript 進行機器學習的,適合想開始運用 TensorFlow.js 的網頁程式開發人員。

Google AI for JavaScript developers with TensorFlow.js

Go from zero to hero with web ML using TensorFlow.js. Learn how to create next generation web apps that can run client side and be used on almost any device.

使用預先訓練模型建立 JavaScript 智慧型網路攝影機

瞭解如何載入及使用其中一種 TensorFlow.js 預先訓練模型 (COCO-SSD),並使用模型來辨識訓練過程中曾使用的常見物體。

步驟 2:深入研究深度學習

如果想更深入瞭解類神經網路的運作方式,並希望對如何應用這些網路來解決各種問題有更廣泛的理解,有兩本書可供您參閱。

Learning TensorFlow.js 》是很棒的入門磚,如果您才剛開始接觸張量和機器學習,但很瞭解 JavaScript,您非常適合閱讀這本書。這本書一開始先帶您理解基礎知識,例如如何讓資料進入到張量中,之後再一路引導,讓您快速進展到各種實際應用。閱讀後,您將瞭解如何載入現有的模型、傳遞資料給模型,並解讀所產生的資料。

Deep Learning with JavaScript 》也是很棒的入門磚。這本書隨附大量 GitHub 範例,可讓您練習以 JavaScript 進行機器學習。

書中將示範如何使用各種類神經網路架構,例如卷積類神經網路、循環類神經網路,以及強化學習等進階訓練範例。本書也清楚解釋了類神經網路在訓練過程中的實際情況。

Learning TensorFlow.js
作者:Gant Laborde

透過端對端實作的方式,協助各領域的技術人士掌握 TensorFlow.js 基礎知識。讀完這本書後,您將瞭解如何使用 TensorFlow.js 建構及部署可用於生產環境的深度學習系統。

Deep Learning with JavaScript
作者:Shanqing Cai、Stanley Bileschi、Eric D.Nielsen 和 Francois Chollet

本書是由 TensorFlow 程式庫的主要作者群所著,針對在瀏覽器或節點上以 JavaScript 進行深度學習的應用程式,提供有趣的使用案例和深入的操作說明。

步驟 3:使用 TensorFlow.js 練習範例

俗話說:「熟能生巧」,想將知識內化,最好的方法就是實際操作、累積經驗。請參閱 TensorFlow.js 程式碼研究室,透過其中的逐步指南增加您對常見用途的知識:

  1. 從頭開始打造自己專屬的「訓練學習機器」

  2. 使用卷積類神經網路來辨識手寫數字

  3. 根據 2D 資料進行預測

  4. 將 Python SavedModel 轉換為 TensorFlow.js 格式

  5. 使用 Firebase 來部署及託管 TensorFlow.js 模型

  6. 建構垃圾評論偵測系統

  7. 重新訓練垃圾評論偵測模型,以處理自訂邊緣案例

  8. 使用遷移學習進行音訊辨識

只要掌握類神經網路的相關知識,您就能更輕鬆地探索 TensorFlow 團隊所建立的 開放原始碼範例 。這些範例都可以在 GitHub 上找到,您可以深入研究程式碼並瞭解其運作方式。

使用 TensorFlow.js 打造的範例

這是 GitHub 的存放區,內含一組以 TensorFlow.js 實作的範例。每個範例目錄各自獨立,因此能夠個別複製到另一個專案中。

探索我們的教學課程,瞭解如何開始使用 TensorFlow.js

TensorFlow 教學課程是以 Jupyter 筆記本形式編寫,可直接在 Google Colab 中執行 (其為代管筆記本環境,無須進行任何設定)。請按一下 [Run in Google Colab] 按鈕。

步驟 4:變出新玩意!

測試完所學並練習過一些 TensorFlow.js 範例後,您應該就可以開始開發自己的專案了。參考我們的 預先訓練模型 後,您馬上就能開始建構應用程式。或者,您也可以使用自己收集的資料或公用資料集來訓練您自己的模型。 Kaggle Google 資料集搜尋 都非常適合尋找用來訓練模型的開放式資料集。

如果您需要靈感,請觀看 Made With TensorFlow.js 的「展示與說明」影片 ,瞭解全球各地的人如何實際應用 TensorFlow.js。

您也可以在社群媒體上搜尋 #MadeWithTFJS 主題標記,查看社群成員貢獻的最新內容。