TensorFlow.js: машинное обучение на JavaScript с доставкой в браузер

2018-05-12 14:00

Кратко рассмотрены основные особенности недавно вышедшей JavaScript-версии популярного фреймворка машинного обучения от Google – TensorFlow.js.

Предыстория

В прошлом году компания Google представила библиотеку deeplearn.js, позволяющую пользователям непосредственно в браузере строить модели машинного обучения, используемые, например, для классификации изображений.

TensorFlow.js: машинное обучение на JavaScript с доставкой в браузер

Эта библиотека была усовершенствована и представлена под названием TensorFlow.js: код стал более читаемым, функции заработали быстрее и пополнились решениями, позволяющими строить детализированные модели, а использование WebGL-технологии все так же позволяет на лету обрабатывать графические данные.

Устройство TensorFlow.js

Для обучения модели обычно как разработчику, так и конечному потребителю моделей машинного обучения, требуется установка соответствующих библиотек. Однако в TensorFlow.js интерфейсом является браузер, поэтому при подключении скриптового файла исчезает необходимость в установке библиотек и отслеживании зависимостей, все «доставляется на дом».

Строение библиотеки можно представить в виде оболочечной структуры – ядерного API и покрывающих его высокоуровневых слоев:

Ops API (сокращенно от operations – низкоуровневые операции). Синтаксически эта составляющая близка к классическому TensorFlow с Python-интерфейсом.
Layers API (высокоуровневые слои). Это API аналогично библиотеке Keras, сводящей действия в обучении к минималистичным наборам наиболее распространенных общих команд. Например, ранее мы показывали пример на Keras , в числе которых и загрузка данных, создание и обучение модели, проверка полученных результатов.

На основе высокоуровневого API можно построить собственный интерфейс для взаимодействий пользователя с моделью. Это открывает новые возможности для быстрого создания веб-приложений с захватом данных с сенсоров переносимых устройств (акселерометра, гироскопа, камеры, GPS и т.д.) и обучения моделей для подбора релевантного контента, исходя из поведения пользователя.

При этом автоматически обеспечивается безопасность, так как данные создаются и хранятся на стороне клиента. Кроме того, TensorFlow.js позволяет использовать предобученные модели, что крайне удобно для трудоемких задач, например, таких как распознавание образов (в качестве примера посмотрите код и демо для задачи распознавания расположенных перед веб-камерой объектов).

Как выглядит работа с TensorFlow.js

Ключевой структурой данных в TensorFlow.js являются тензоры – обобщения матриц на случаи потенциально бо?льших размерностей. Создание и обучение модели в TensorFlow.js возможно двумя способами.

Первый вариант создания модели – в результате запуска HTML-файла, в скриптовом блоке которого между тегами <script></script> помещен написанный вами код команд API фреймворка. Например, следующий код решает задачу линейной регрессии:

XHTML

<html>

<head>

// Замтетьте, что не используется никаких выражений 'import',

// команда 'tf' доступна, благодаря указанию источника скрипта выше.

// Определим модель линейной регрессии. Создадим простейшую нейронную сеть из одного слоя.

constmodel=tf.sequential();

model.add(tf.layers.dense({units:1,inputShape:[1]}));

// Подготовим модель для обучения: обозначим функцию стоимости и оптимизатор.

model.compile({loss:'meanSquaredError',optimizer:'sgd'});

// Создадим некоторые данные для обучения.

constxs=tf.tensor2d([1,2,3,4],[4,1]);

constys=tf.tensor2d([1,3,5,7],[4,1]);

// Обучаем модель по данным.

model.fit(xs,ys).then(()=>{

// Используем модель для предсказания координаты точки.

// Откройте этот файл в браузере и зайдите в консоль разработчика.

model.predict(tf.tensor2d([5],[1,1])).print();

});

</script>

</head>

<body>

</body>

</html>

Другой подход состоит в том, чтобы использовать не внешний ресурс, а добавить TensorFlow.js в ваш проект, используя yarn или npm. В этом случае описанный выше код будет содержаться в js-файле:

JavaScript

import*astf from'@tensorflow/tfjs';

constmodel=tf.sequential();

model.add(tf.layers.dense({units:1,inputShape:[1]}));

model.compile({loss:'meanSquaredError',optimizer:'sgd'});

constxs=tf.tensor2d([1,2,3,4],[4,1]);

constys=tf.tensor2d([1,3,5,7],[4,1]);

model.fit(xs,ys).then(()=>{

model.predict(tf.tensor2d([5],[1,1])).print();

});

Код идентичен тому, что запускался в HTML-блоке (комментарии проопущены), за исключением процедуры импорта, так как теперь мы используем локально установленную библиотеку. Для того, чтобы поиграть с этим кодом, воспользуйтесь ссылкой на ресурс с предустановленной библиотекой.

Примеры демо-приложений с обучением многослойных нейросетей и применением дополнительных библиотек с соответствующими примерами кода можно найти на сайте js.tensorflow.org. Видеопрезентация проекта с запуском упомянутых примеров расположена на YouTube. Документацию проекта вы найдете по этой ссылке.

Вас также могут заинтересовать:

Источник: proglib.io

TensorFlow.js: машинное обучение на JavaScript с доставкой в браузер

Комментарии: