جشنواره تکرارنشدنی نوروزی راکت آغاز شد! | هر روز یک سوپرایز ویژه!

مشاهده اطلاعات بیشتر...
ثانیه
دقیقه
ساعت
روز
مقدمه‌ای بر TensorFlow.js - یادگیری ماشین در جاوااسکریپت
ﺯﻣﺎﻥ ﻣﻄﺎﻟﻌﻪ: 4 دقیقه

مقدمه‌ای بر TensorFlow.js - یادگیری ماشین در جاوااسکریپت

در یکی از نوشته‌های وبسایت راکت شما را با «۱۵ کتابخانه کاربردی جاوااسکریپت و CSS» آشنا کردیم. در این بین یکی از موارد جذاب و هیجان‌انگیز TensorFlow.js نام داشت. امروز قصد داریم به صورت اختصاصی در یک مطلب مستقل راجع به این کتابخانه جاوااسکریپتی صحبت کنیم.

TensorFlow.js یک کتابخانه متن باز است که برای تعریف، آموزش و اجرای ماژول‌های یادگیری ماشین به صورت کامل روی مرورگر استفاده می‌شود. در این کتابخانه از جاوااسکریپت و لایه‌های سطح بالای API استفاده شده است. اگر شما در حال حاضر یک توسعه‌دهنده جاوااسکریپت هستید که قصد وارد شدن به دنیای یادگیری ماشین را دارید TensorFlow.js بهترین فرصت برای شماست. در این پست شما را به سرعت با مقدمه‌ای از TensorFlow.js آشنا می‌کنیم و منابع لازم برای شروع کار با آن را بررسی می‌نماییم.

یادگیری ماشین در مرورگر

اجرای برنامه‌های یادگیری ماشین به صورت کامل در قسمت مشتری و روی مرورگر، فرصت جدیدی را برای خلاقیت شما ایجاد کرده است. برای این موضوع می‌توانید در این لینک مثال‌هایی از دنیای واقعی را مشاهده کنید.

یادگیری ماشین در جاوااسکریپت

یک مثال جذاب دیگر از دنیای یادگیری ماشین با استفاده از TensorFlow می‌تواند Emoji Scavenger Hunt باشد. با استفاده از این نمونه شما می‌توانید از یک شبکه عصبی در تلفن هوشمندتان بهره بگیرید.

یادگیری ماشین در جاوااسکریپت

یادگیری ماشین در مرورگر یعنی اینکه همه چیز از طرف و دید کاربران استفاده می‌شود و هیچ نیازی به نصب کتابخانه روی سرور نخواهد بود. تنها کافی است که یک صفحه وب را باز کرده و برنامه‌تان آماده اجرا است. این کتابخانه از WebGL نیز پشتیبانی می‌کند، بنابراین وقتی GPU آماده باشد، روند کدهای شما تسریع پیدا می‌کند. کاربران ممکن است صفحه وب شما را از طریق موبایل‌های‌شان باز کنند، در این حالت برنامه قابلیت استفاده از داده‌های سنسور شما را خواهد داشت. جدای از تمام این موارد باید مجددا اشاره کنم که تمام این موارد روی مرورگر و برای مشتری اجرا می‌شود بنابراین خطرات امنیتی کمتری شما را تهدید می‌کند و برای سناریوهایی که نیاز به سرعت بیشتری دارید این مورد بسیار مناسب است. 

چکاری را می‌توانید با استفاده از TensorFlow.js انجام دهید؟

اگر در حال حاضر مشغول توسعه اپلیکیشن‌ با استفاده از TensorFlow.js هستید باید بگویم که سه روند کاری وجود دارد که می‌توانید از آن‌ها بهره بگیرید:

  • شما می‌توانید یک مدل موجود و یا از پیش آموزش داده شده را وارد روند کاری‌تان کنید. اگر قبلا یک مدل آموزش یافته از TensorFlow و یا Keras را داشته باشید حال می‌توانید آن را به قالب TensorFlow.js در بیاورید و آن را در مرورگر اجرا نمایید.
  • شما می‌توانید یک مدل را دوباره آموزش دهید. در این حالت می‌توانید با استفاده از تکنیک Image Retraining یک مدل از پیش ساخته شده را دوباره آموزش دهید. از این طریق با مقداری از داده‌ها می‌توانید به صورت سریع مدل‌تان را آموزش دهید.
  • ایجاد یک مدل از پایه در مرورگر‌تان. در کنار این موارد می‌توانید با استفاده از TensorFlow.js یک مدل جدید یادگیری ماشین را تعریف، آموزش و اجرا کنید. تمام این کارها از طریق مرورگر و با استفاده از جاوااسکریپت و APIهای سطح بالا انجام می‌شود. اگر با Keras آشنایی داشته باشید مطمئنا با APIهای سطح بالا نیز آشنایی خواهید داشت.

بیایید قطعه کدهایی از این فریمورک را مشاهده کنیم

در این مثال ما قصد داری که یک مدل از یادگیری ماشین را با استفاده از پشته‌ای از لایه‌ها ایجاد کنیم.

import * as tf from ‘@tensorflow/tfjs’;
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [4], units: 100}));
model.add(tf.layers.dense({units: 4}));
model.compile({loss: ‘categoricalCrossentropy’, optimizer: ‘sgd’});

لایه‌های API که ما در اینجا استفاده کرده‌ایم تمام لایه‌های مربوط به Keras را نیز پشتیبانی می‌کند. ما می‌توانیم مدل‌مان را با همان APIهای سازگار با Keras توسعه دهیم:

await model.fit(
  xData, yData, {
    batchSize: batchSize,
    epochs: epochs
});

مدل ما در حال حاضر آماده کار کردن است و می‌تواند تصمیمی بگیرد:

const inputData = tf.tensor2d([[4.8, 3.0, 1.4, 0.1]], [1, 4]);

const result = model.predict(inputData);
const winner = irisClasses[result.argMax().dataSync()[0]];

console.log(winner);

TensorFlow.js همچنین حاوی APIهای سطح پایین نیز است که از Eager execution پشتیبانی می‌کند. 

یادگیری ماشین در جاوااسکریپت

چه ارتباطی در بین TensorFlow.js و deeplearn.js وجود دارد؟

سوال خوبی‌ست! TensorFlow.js یک اکوسیستم جاوااسکریپتی برای یادگیری ماشین است و در حال حاضر در حال تبدیل شدن به جایگزین deeplearn.js با نام TensorFlow.js Core است. 

این فریمورک همچنین حاوی لایه‌هایی از API است که برای ایجاد یادگیری ماشین کتابخانه‌ای سطح بالاتر در نظر گرفته می‌شود. برای اطلاعات بیشتر در زمینه سوالات می‌توانید به این FAQ مراجعه کنید. 

در حال حاضر بهترین مکان برای یافتن آموزش‌های TensorFlow.js کجاست؟

اگر قصد یادگیری و مطالعه بیشتر در زمینه TensorFlow.js را دارید بهتر است که به صفحه اصلی وبسایت این پروژه مراجعه کنید. در آن‌جا می‌توانید مثال‌ها و آموزش‌های مختلفی را مشاهده نمایید. 

منبع

چه امتیازی برای این مقاله میدهید؟

خیلی بد
بد
متوسط
خوب
عالی
در انتظار ثبت رای

/@arastoo
ارسطو عباسی
کارشناس تولید و بهینه‌سازی محتوا

کپی رایتر، یوایکس رایتر، متخصص سئو محتوا و… عناوینی هستن که می‌تونم حرفه‌ام رو باهاشون خلاصه کنم اما جدای از این موارد، کتاب نوشتم، پادکست ضبط کردم، مارکتینگ محتوا انجام دادم و خلاصه تجربیات تا بخوایید در زمینه کلمات کسب کردم.

دیدگاه و پرسش

برای ارسال دیدگاه لازم است وارد شده یا ثبت‌نام کنید ورود یا ثبت‌نام

در حال دریافت نظرات از سرور، لطفا منتظر بمانید

در حال دریافت نظرات از سرور، لطفا منتظر بمانید

ارسطو عباسی

کارشناس تولید و بهینه‌سازی محتوا

۵ مقاله اخیر

۵ مقاله اخیر از این قسمت برای شما در دسترس است