Credits: aijs.rocks

雖然python或r編程語言有一個相對容易的學(xué)習(xí)曲線，但是Web開發(fā)人員更喜歡在他們舒適的javascript區(qū)域內(nèi)做事情。目前來看，node.js已經(jīng)開始向每個領(lǐng)域應(yīng)用javascript，在這一大趨勢下我們需要理解并使用JS進(jìn)行機(jī)器學(xué)習(xí)。由于可用的軟件包數(shù)量眾多，python變得流行起來，但是JS社區(qū)也緊隨其后。這篇文章會幫助初學(xué)者學(xué)習(xí)如何構(gòu)建一個簡單的分類器。

擴(kuò)展：

2019年11個javascript機(jī)器學(xué)習(xí)庫

https://blog.bitsrc.io/javascript-for-machine-learning-using-tensorflow-js-6411bcf2d5cd

很棒的機(jī)器學(xué)習(xí)庫，可以在你的下一個應(yīng)用程序中添加一些人工智能！

Big.bitsrc.io

創(chuàng)建

我們可以創(chuàng)建一個使用tensorflow.js在瀏覽器中訓(xùn)練模型的網(wǎng)頁。考慮到房屋的“avgareanumberofrows”，模型可以學(xué)習(xí)去預(yù)測房屋的“價格”。

為此我們要做的是：

加載數(shù)據(jù)并為培訓(xùn)做好準(zhǔn)備。

定義模型的體系結(jié)構(gòu)。

訓(xùn)練模型并在訓(xùn)練時監(jiān)控其性能。

通過做出一些預(yù)測來評估經(jīng)過訓(xùn)練的模型。

第一步：讓我們從基礎(chǔ)開始

創(chuàng)建一個HTML頁面并包含JavaScript。將以下代碼復(fù)制到名為index.html的HTML文件中。

TensorFlow.js Tutorial

為代碼創(chuàng)建javascript文件

在與上面的HTML文件相同的文件夾中，創(chuàng)建一個名為script.js的文件，并將以下代碼放入其中。

console.log('Hello TensorFlow');

測試

既然已經(jīng)創(chuàng)建了HTML和JavaScript文件，那么就測試一下它們。在瀏覽器中打開index.html文件并打開devtools控制臺。

如果一切正常，那么應(yīng)該在devtools控制臺中創(chuàng)建并可用兩個全局變量：

• tf是對tensorflow.js庫的引用
• tfvis是對tfjs vis庫的引用

現(xiàn)在你應(yīng)該可以看到一條消息，上面寫著“Hello TensorFlow”。如果是這樣，你就可以繼續(xù)下一步了。

需要這樣的輸出

注意：可以使用Bit來共享可重用的JS代碼

Bit(GitHub上的Bit)是跨項目和應(yīng)用程序共享可重用JavaScript代碼的最快和最可擴(kuò)展的方式。可以試一試，它是免費的：

組件發(fā)現(xiàn)與協(xié)作·Bit

Bit是開發(fā)人員共享組件和協(xié)作，共同構(gòu)建令人驚嘆的軟件的地方。發(fā)現(xiàn)共享的組件…

Bit.dev

例如：Ramda用作共享組件

Ramda by Ramda·Bit

一個用于JavaScript程序員的實用函數(shù)庫。-256個javascript組件。例如：等號，乘…

Bit.dev

第2步：加載數(shù)據(jù)，格式化數(shù)據(jù)并可視化輸入數(shù)據(jù)

我們將加載“house”數(shù)據(jù)集，可以在這里找到。它包含了特定房子的許多不同特征。對于本教程，我們只需要有關(guān)房間平均面積和每套房子價格的數(shù)據(jù)。

將以下代碼添加到script.js文件中。

async function getData() { Const houseDataReq=awaitfetch('https://raw.githubusercontent.com/meetnandu05/ml1/master/house.json'); const houseData = await houseDataReq.json(); const cleaned = houseData.map(house => ({ price: house.Price, rooms: house.AvgAreaNumberofRooms, })) .filter(house => (house.price != null && house.rooms != null)); return cleaned;}

這可以刪除沒有定義價格或房間數(shù)量的任何條目。我們可以將這些數(shù)據(jù)繪制成散點圖，看看它是什么樣子的。

將以下代碼添加到script.js文件的底部。

async function run() { // Load and plot the original input data that we are going to train on. const data = await getData(); const values = data.map(d => ({ x: d.rooms, y: d.price, })); tfvis.render.scatterplot( {name: 'No.of rooms v Price'}, {values}, { xLabel: 'No. of rooms', yLabel: 'Price', height: 300 } ); // More code will be added below}document.addEventListener('DOMContentLoaded', run);

刷新頁面時，你可以在頁面左側(cè)看到一個面板，上面有數(shù)據(jù)的散點圖，如下圖。

散點圖

通常，在處理數(shù)據(jù)時，最好找到方法來查看數(shù)據(jù)，并在必要時對其進(jìn)行清理。可視化數(shù)據(jù)可以讓我們了解模型是否可以學(xué)習(xí)數(shù)據(jù)的任何結(jié)構(gòu)。

從上面的圖中可以看出，房間數(shù)量與價格之間存在正相關(guān)關(guān)系，即隨著房間數(shù)量的增加，房屋價格普遍上漲。

第三步：建立待培訓(xùn)的模型

這一步我們將編寫代碼來構(gòu)建機(jī)器學(xué)習(xí)模型。模型主要基于此代碼進(jìn)行架構(gòu)，所以這是一個比較重要的步驟。機(jī)器學(xué)習(xí)模型接受輸入，然后產(chǎn)生輸出。對于tensorflow.js，我們必須構(gòu)建神經(jīng)網(wǎng)絡(luò)。

將以下函數(shù)添加到script.js文件中以定義模型。

function createModel() { // Create a sequential model const model = tf.sequential(); // Add a single hidden layer model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true})); // Add an output layer model.add(tf.layers.dense({units: 1, useBias: true})); return model;}

這是我們可以在tensorflow.js中定義的最簡單的模型之一，我們來試下簡單分解每一行。

實例化模型

const model = tf.sequential();

這將實例化一個tf.model對象。這個模型是連續(xù)的，因為它的輸入直接流向它的輸出。其他類型的模型可以有分支，甚至可以有多個輸入和輸出，但在許多情況下，你的模型是連續(xù)的。

添加層

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

這為我們的網(wǎng)絡(luò)添加了一個隱藏層。因為這是網(wǎng)絡(luò)的第一層，所以我們需要定義我們的輸入形狀。輸入形狀是[1]，因為我們有1這個數(shù)字作為輸入(給定房間的房間數(shù))。

單位(鏈接)設(shè)置權(quán)重矩陣在層中的大小。在這里將其設(shè)置為1，我們可以說每個數(shù)據(jù)輸入特性都有一個權(quán)重。

model.add(tf.layers.dense({units: 1}));

上面的代碼創(chuàng)建了我們的輸出層。我們將單位設(shè)置為1，因為我們要輸出1這個數(shù)字。

創(chuàng)建實例

將以下代碼添加到前面定義的運行函數(shù)中。

// Create the modelconst model = createModel(); tfvis.show.modelSummary({name: 'Model Summary'}, model);

這樣可以創(chuàng)建實例模型，并且在網(wǎng)頁上有顯示層的摘要。

步驟4：為創(chuàng)建準(zhǔn)備數(shù)據(jù)

為了獲得TensorFlow.js的性能優(yōu)勢，使培訓(xùn)機(jī)器學(xué)習(xí)模型實用化，我們需要將數(shù)據(jù)轉(zhuǎn)換為Tensors。

將以下代碼添加到script.js文件中。

function convertToTensor(data) { return tf.tidy(() => { // Step 1. Shuffle the data tf.util.shuffle(data); // Step 2. Convert data to Tensor const inputs = data.map(d => d.rooms) const labels = data.map(d => d.price); const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]); const labelTensor = tf.tensor2d(labels, [labels.length, 1]); //Step 3. Normalize the data to the range 0 - 1 using min-max scaling const inputMax = inputTensor.max(); const inputMin = inputTensor.min(); const labelMax = labelTensor.max(); const labelMin = labelTensor.min(); const normalizedInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin)); const normalizedLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin)); return { inputs: normalizedInputs, labels: normalizedLabels, // Return the min/max bounds so we can use them later. inputMax, inputMin, labelMax, labelMin, } }); }

接下來，我們可以分析一下將會出現(xiàn)什么情況。

隨機(jī)播放數(shù)據(jù)

// Step 1. Shuffle the data tf.util.shuffle(data);

在訓(xùn)練模型的過程中，數(shù)據(jù)集被分成更小的集合，每個集合稱為一個批。然后將這些批次送入模型運行。整理數(shù)據(jù)很重要，因為模型不應(yīng)該一次又一次地得到相同的數(shù)據(jù)。如果模型一次又一次地得到相同的數(shù)據(jù)，那么模型將無法歸納數(shù)據(jù)，并為運行期間收到的輸入提供指定的輸出。洗牌將有助于在每個批次中擁有各種數(shù)據(jù)。

轉(zhuǎn)換為Tensor

// Step 2. Convert data to Tensorconst inputs = data.map(d => d.rooms)const labels = data.map(d => d.price);const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);const labelTensor = tf.tensor2d(labels, [labels.length, 1]);

這里我們制作了兩個數(shù)組，一個用于輸入示例(房間條目數(shù))，另一個用于實際輸出值(在機(jī)器學(xué)習(xí)中稱為標(biāo)簽，在我們的例子中是每個房子的價格)。然后我們將每個數(shù)組數(shù)據(jù)轉(zhuǎn)換為一個二維張量。

規(guī)范化數(shù)據(jù)

//Step 3. Normalize the data to the range 0 - 1 using min-max scalingconst inputMax = inputTensor.max();const inputMin = inputTensor.min(); const labelMax = labelTensor.max();const labelMin = labelTensor.min();const normalizedInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));const normalizedLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));

接下來，我們規(guī)范化數(shù)據(jù)。在這里，我們使用最小-最大比例將數(shù)據(jù)規(guī)范化為數(shù)值范圍0-1。規(guī)范化很重要，因為您將使用tensorflow.js構(gòu)建的許多機(jī)器學(xué)習(xí)模型的內(nèi)部設(shè)計都是為了使用不太大的數(shù)字。規(guī)范化數(shù)據(jù)以包括0到1或-1到1的公共范圍。

返回數(shù)據(jù)和規(guī)范化界限

return { inputs: normalizedInputs, labels: normalizedLabels, // Return the min/max bounds so we can use them later. inputMax, inputMin, labelMax, labelMin,}

我們可以在運行期間保留用于標(biāo)準(zhǔn)化的值，這樣我們就可以取消標(biāo)準(zhǔn)化輸出，使其恢復(fù)到原始規(guī)模，我們就可以用同樣的方式規(guī)范化未來的輸入數(shù)據(jù)。

步驟5：運行模型

通過創(chuàng)建模型實例、將數(shù)據(jù)表示為張量，我們可以準(zhǔn)備開始運行模型。

將以下函數(shù)復(fù)制到script.js文件中。

async function trainModel(model, inputs, labels) { // Prepare the model for training. model.compile({ optimizer: tf.train.adam(), loss: tf.losses.meanSquaredError, metrics: ['mse'], }); const batchSize = 28; const epochs = 50; return await model.fit(inputs, labels, { batchSize, epochs, shuffle: true, callbacks: tfvis.show.fitCallbacks( { name: 'Training Performance' }, ['loss', 'mse'], { height: 200, callbacks: ['onEpochEnd'] } ) });}

我們把它分解一下。

準(zhǔn)備運行

// Prepare the model for training. model.compile({ optimizer: tf.train.adam(), loss: tf.losses.meanSquaredError, metrics: ['mse'],});

我們必須在訓(xùn)練前“編譯”模型。要做到這一點，我們必須明確一些非常重要的事情：

優(yōu)化器：這是一個算法，它可以控制模型的更新，就像上面看到的例子一樣。TensorFlow.js中有許多可用的優(yōu)化器。這里我們選擇了Adam優(yōu)化器，因為它在實踐中非常有效，不需要進(jìn)行額外配置。

損失函數(shù)：這是一個函數(shù)，它用于檢測模型所顯示的每個批(數(shù)據(jù)子集)方面完成的情況如何。在這里，我們可以使用meansquaredrror將模型所做的預(yù)測與真實值進(jìn)行比較。

度量：這是我們要在每個區(qū)塊結(jié)束時用來計算的度量數(shù)組。我們可以用它計算整個訓(xùn)練集的準(zhǔn)確度，這樣我們就可以檢查自己的運行結(jié)果了。這里我們使用mse，它是meansquaredrror的簡寫。這是我們用于損失函數(shù)的相同函數(shù)，也是回歸任務(wù)中常用的函數(shù)。

const batchSize = 28;const epochs = 50;

接下來，我們選擇一個批量大小和一些時間段：

batchSize指的是模型在每次運行迭代時將看到的數(shù)據(jù)子集的大小。常見的批量大小通常在32-512之間。對于所有問題來說，并沒有一個真正理想的批量大小，描述各種批量大小的精確方式這一知識點本教程沒有相關(guān)講解，對這些有興趣可以通過別的渠道進(jìn)行了解學(xué)習(xí)。

epochs指的是模型將查看你提供的整個數(shù)據(jù)集的次數(shù)。在這里，我們通過數(shù)據(jù)集進(jìn)行50次迭代。

啟動列車環(huán)路

return model.fit(inputs, labels, { batchSize, epochs, callbacks: tfvis.show.fitCallbacks( { name: 'Training Performance' }, ['loss', 'mse'], { height: 200, callbacks: ['onEpochEnd'] } )});

model.fit是我們調(diào)用的啟動循環(huán)的函數(shù)。它是一個異步函數(shù)，因此我們返回它給我們的特定值，以便調(diào)用者可以確定運行結(jié)束時間。

為了監(jiān)控運行進(jìn)度，我們將一些回調(diào)傳遞給model.fit。我們使用tfvis.show.fitcallbacks生成函數(shù)，這些函數(shù)可以為前面指定的“損失”和“毫秒”度量繪制圖表。

把它們放在一起

現(xiàn)在我們必須調(diào)用從運行函數(shù)定義的函數(shù)。

將以下代碼添加到運行函數(shù)的底部。

// Convert the data to a form we can use for training.const tensorData = convertToTensor(data);const {inputs, labels} = tensorData; // Train the model await trainModel(model, inputs, labels);console.log('Done Training');

刷新頁面時，幾秒鐘后，你應(yīng)該會看到圖形正在更新。

這些是由我們之前創(chuàng)建的回調(diào)創(chuàng)建的。它們在每個時代結(jié)束時顯示丟失(在最近的批處理上)和毫秒(在整個數(shù)據(jù)集上)。

當(dāng)訓(xùn)練一個模型時，我們希望看到損失減少。在這種情況下，因為我們的度量是一個誤差度量，所以我們希望看到它也下降。

第6步：做出預(yù)測

既然我們的模型經(jīng)過了訓(xùn)練，我們想做一些預(yù)測。讓我們通過觀察它預(yù)測的低到高數(shù)量房間的統(tǒng)一范圍來評估模型。

將以下函數(shù)添加到script.js文件中

function testModel(model, inputData, normalizationData) { const {inputMax, inputMin, labelMin, labelMax} = normalizationData; // Generate predictions for a uniform range of numbers between 0 and 1; // We un-normalize the data by doing the inverse of the min-max scaling // that we did earlier. const [xs, preds] = tf.tidy(() => { const xs = tf.linspace(0, 1, 100); const preds = model.predict(xs.reshape([100, 1])); const unNormXs = xs .mul(inputMax.sub(inputMin)) .add(inputMin); const unNormPreds = preds .mul(labelMax.sub(labelMin)) .add(labelMin); // Un-normalize the data return [unNormXs.dataSync(), unNormPreds.dataSync()]; }); const predictedPoints = Array.from(xs).map((val, i) => { return {x: val, y: preds[i]} }); const originalPoints = inputData.map(d => ({ x: d.rooms, y: d.price, })); tfvis.render.scatterplot( {name: 'Model Predictions vs Original Data'}, {values: [originalPoints, predictedPoints], series: ['original', 'predicted']}, { xLabel: 'No. of rooms', yLabel: 'Price', height: 300 } );}

在上面的函數(shù)中需要注意的一些事情。

const xs = tf.linspace(0, 1, 100); const preds = model.predict(xs.reshape([100, 1]));

我們生成100個新的“示例”以提供給模型。model.predict是我們?nèi)绾螌⑦@些示例輸入到模型中的。注意，他們需要有一個類似的形狀([num_的例子，num_的特點每個_的例子])當(dāng)我們做培訓(xùn)時。

// Un-normalize the dataconst unNormXs = xs .mul(inputMax.sub(inputMin)) .add(inputMin); const unNormPreds = preds .mul(labelMax.sub(labelMin)) .add(labelMin);

為了將數(shù)據(jù)恢復(fù)到原始范圍(而不是0–1)，我們使用規(guī)范化時計算的值，但只需反轉(zhuǎn)操作。

return [unNormXs.dataSync(), unNormPreds.dataSync()];

.datasync()是一種方法，我們可以使用它來獲取存儲在張量中的值的typedarray。這允許我們在常規(guī)的javascript中處理這些值。這是通常首選的.data()方法的同步版本。

最后，我們使用tfjs-vis來繪制原始數(shù)據(jù)和模型中的預(yù)測。

將以下代碼添加到運行函數(shù)中。

testModel(model, data, tensorData);

刷新頁面，現(xiàn)在已經(jīng)完成啦！

現(xiàn)在你已經(jīng)學(xué)會使用tensorflow.js創(chuàng)建一個簡單的機(jī)器學(xué)習(xí)模型了。這里是Github存儲庫供參考。

結(jié)論

我開始接觸這些是因為機(jī)器學(xué)習(xí)的概念非常吸引我，還有就是我想看看有沒有方法可以讓它在前端開發(fā)中實現(xiàn)，我很高興發(fā)現(xiàn)tensorflow.js庫可以幫助我實現(xiàn)我的目標(biāo)。這只是前端開發(fā)中機(jī)器學(xué)習(xí)的開始，TensorFlow.js還可以完成很多工作。謝謝你的閱讀！

本文由阿里云云棲社區(qū)組織翻譯。

文章原標(biāo)題《JavaScript for Machine Learning using TensorFlow.js》作者：Priyesh Patel

譯者：么凹 審校：Viola

總結(jié)

以上是生活随笔為你收集整理的js 只准输入数字_基于TensorFlow.js的JavaScript机器学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。