El aprendizaje automático es uno de los campos más interesantes y de más rápido crecimiento en la actualidad y la mayoría de las empresas contratan talentos en el campo para desarrollar productos/servicios basados ​​en él. Google es una de las principales empresas que utiliza ampliamente el aprendizaje automático. TensorFlow es una biblioteca de software de código abierto desarrollada originalmente por el equipo de Google Brain para su uso interno. Hoy en día, es uno de los paquetes más populares utilizados en los campos del aprendizaje automático. Este artículo le brindará una comprensión básica de cómo puede crear su primer proyecto en TensorFlow.js. ¿Qué es un tensor? La unidad central de datos en TensorFlow es el tensor. Un tensor consta de un conjunto de valores primitivos formados en una matriz de cualquier número de dimensiones y el rango de un tensor es su número de dimensiones. Tenga en cuenta que los tensores y las matrices multidimensionales son tipos diferentes de objetos; el primero es un tipo de función, el segundo es una estructura de datos adecuada para representar un tensor en un sistema de coordenadas. En resumen, Tensor es «algo» que puede representarse como una matriz multidimensional. Para comenzar con TensorFlow, diríjase al sitio web de TensorFlow que tiene un poco de documentación y tutoriales. Aprendizaje automático en Javascript TensorFlow proporciona una biblioteca de Javascript de código abierto llamada TensorFlow.js que se puede utilizar para definir, entrenar y ejecutar modelos de aprendizaje automático completamente en el navegador. Esto significa que puede utilizar ML en sus aplicaciones para hacerlas más inteligentes. Ejecutar el aprendizaje automático en el lado del cliente significa que puede crear aplicaciones más livianas y no necesitará escribir muchos códigos. Desde la perspectiva de los usuarios, es fácil de usar ya que el programa está listo para ejecutarse cuando se abre la página web. Ejecutar un programa ML en su navegador significa que es necesario instalar bibliotecas o controladores. TensorFlow.js admite automáticamente WebGL y acelerará su código en segundo plano cuando haya una GPU disponible. Entonces, ¿en qué puede ayudarte TensorFlow.js? Si ya tiene TensorFlow y lo ha entrenado previamente, puede convertirlo al formato TensorFlow.js. También tiene la capacidad de volver a entrenar un modelo. Utilizando una técnica llamada Reentrenamiento de imágenes, puede utilizar el aprendizaje por transferencia para aumentar un modelo existente entrenado sin conexión utilizando una pequeña cantidad de datos recopilados en el navegador. También puede crear modelos directamente en el navegador. Código de muestra Pero primero, hay dos formas principales de obtener TensorFlow.js en su proyecto JavaScript: mediante etiquetas de script o instalándolo desde NPM y usando una herramienta de compilación como Parcel, WebPack o Rollup. Para ejecutar TensorFlow.js mediante script, agregue el código a su archivo HTML https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.10.0 Para ejecutar TensorFlow mediante hilo o npm, use el siguiente código hilo agregar @ tensorflow/tfjsnpm install @tensorflow/tfjs Aquí hay un proyecto de muestra que puede probar y que se basa en Neural Network. En su archivo js principal, puede insertar los siguientes códigos 1. Se utiliza para importar TensorFlow. En el caso de la etiqueta de script, ‘tf’ está disponible en la página de índice import * como tf desde ‘@tensorflow/tfjs’; 2. Un modelo secuencial es un contenedor que se puede superponer en const model = tf.sequential(); 3. Agregue una capa densa con 1 unidad de salida. model.add(tf.layers.dense({unidades: 1, inputShape: [1]activación: ‘softmax’})); 4. Prepare el modelo para el entrenamiento: especifique la pérdida y el optimizador model.compile({loss: ‘meanSquaredError’, optimizador: ‘adam’}); 5. Genere algunos datos sintéticos para el entrenamiento. constante xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]); 6. Entrene el modelo utilizando los datos. model.fit(xs, ys, {épocas: 1000}); 7. Después del entrenamiento, haga predicciones: model.predict(tf.tensor2d([8], [1, 1])).imprimir(); Comentarios finales La facilidad para implementar algoritmos de aprendizaje automático y desplegarlos ha ido cambiando. Con TensorFlow.js agregado a la lista de bibliotecas, podemos esperar aplicaciones web más inteligentes que incorporen ML. El código es sencillo de escribir, lo que facilita su aprendizaje a los principiantes. Consulte los tutoriales, ejemplos y documentación para obtener más detalles sobre TensorFlow.js. TensorFlow.js es básicamente el sucesor de deeplearn.js. La principal diferencia entre los dos es que TensorFlow.js incluye una API de capas e importa modelos previamente entrenados y también puede volver a entrenarlos. También puedes trabajar en casi cualquier GPU, pero no estará cerca de la velocidad que obtendrás en CUDA. Recomendaría a todos que prueben este marco web por sí mismos y lo prueben.

Source link