浅鱼

用 TensorFlow.js 在浏览器中训练神经网络
本文结构:什么是 TensorFlow.js为什么要在浏览器中运行机器学习算法应用举例:regression和 t...
扫描右侧二维码阅读全文
26
2018/10

用 TensorFlow.js 在浏览器中训练神经网络

本文结构:

  1. 什么是 TensorFlow.js
  2. 为什么要在浏览器中运行机器学习算法
  3. 应用举例:regression
  4. 和 tflearn 的代码比较

1. 什么是 TensorFlow.js

TensorFlow.js 是一个开源库,不仅可以在浏览器中运行机器学习模型,还可以训练模型。
具有 GPU 加速功能,并自动支持 WebGL
可以导入已经训练好的模型,也可以在浏览器中重新训练现有的所有机器学习模型
运行 Tensorflow.js 只需要你的浏览器,而且在本地开发的代码与发送给用户的代码是相同的。

TensorFlow.js 对未来 web 开发有着重要的影响,JS 开发者可以更容易地实现机器学习,工程师和数据科学家们可以有一种新的方法来训练算法,例如官网上 Emoji Scavenger Hunt 这样的游戏界面,让用户一边玩游戏一边将模型训练地更好。

用 Tensorflow.js 可以做很多事情,
例如 object detection in images, speech recognition, music composition,
而且 不需要安装任何库,也不用一次又一次地编译这些代码。


2. 为什么要在浏览器中运行机器学习算法

TensorFlow.js 可以为用户解锁巨大价值:

  1. 隐私:用户端的机器学习,用来训练模型的数据还有模型的使用都在用户的设备上完成,这意味着不需要把数据传送或存储在服务器上。
  2. 更广泛的使用:几乎每个电脑手机平板上都有浏览器,并且几乎每个浏览器都可以运行JS,无需下载或安装任何应用程序,在浏览器中就可以运行机器学习框架来实现更高的用户转换率,提高满意度,例如虚拟试衣间等服务。
  3. 分布式计算:每次用户使用系统时,他都是在自己的设备上运行机器学习算法,之后新的数据点将被推送到服务器来帮助改进模型,那么未来的用户就可以使用训练的更好的算法了,这样可以减少训练成本,并且持续训练模型。

3. 应用举例:regression

为了很快地看看效果,有下面三种方式:

  1. 可以直接从浏览器里写代码,例如 chrome 的 View > Developer > Javascript Console,
  2. 还可以在线写
    有三个流行的在线 JS 平台:CodePen, JSFiddle, JSBin.

https://codepen.io/thekevinscott/pen/aGapZL
https://jsfiddle.net/
https://jsbin.com/?html,output

  1. 当然还可以在本地把代码保存为.html文件并用浏览器打开

那么先来看一下下面这段代码,可以在 codepen 中运行:
https://codepen.io/pen?&editors=1011

这段代码的目的是做个回归预测,

数据集为:
构造符合 Y=2X-1 的几个点,
那么当 X 取 [-1, 0, 1, 2, 3, 4] 时,
y 为 [-3, -1, 1, 3, 5, 7],

<html>

 <head>
    <!-- Load TensorFlow.js -->
    <!-- Get latest version at https://github.com/tensorflow/tfjs -->
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.11.2">   
    </script>
 </head>

 <body>
   <div id="output_field"></div>
 </body>

 <script>
    async function learnLinear(){    
        const model = tf.sequential();
        model.add(tf.layers.dense({            units: 1, 
            inputShape: [1]
        }));

        model.compile({            loss: 'meanSquaredError',            optimizer: 'sgd'
        });  
        const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);        const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);  
        await model.fit(xs, ys, {epochs: 500});  
        document.getElementById('output_field').innerText =
            model.predict( tf.tensor2d([10], [1, 1]) );
    }

    learnLinear(); </script>
 <html>
  • 首先是熟悉的 js 的基础结构:

    <html><head></head><body></body></html>
    
  • 在 head 中,从 CDN 引用 TensorFlow.js,这样就可以使用 API 了:
    https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.11.2
  • 然后建立模型,因为 input ,output 都只有一个,所以就建立一个 single node,即:

            const model = tf.sequential();
            model.add(tf.layers.dense({
                units: 1, 
                inputShape: [1]
            }));
    
  • 接着定义 loss 为 MSE 和 optimizer 为 SGD:

            model.compile({            loss: 'meanSquaredError',
                optimizer: 'sgd'
            });
    
  • 同时需要定义 input 的 tensor,X 和 y,以及它们的维度都是 [6, 1]:

            const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);        const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);
    
  • 然后用 fit 来训练模型,因为要等模型训练完才能预测,所以要用 await:

            await model.fit(xs, ys, {epochs: 500});
    
  • 训练结束后,用 predict 进行预测,输入的是 [1, 1] 维的 值为 10 的tensor ,

            document.getElementById('output_field').innerText =
                model.predict( tf.tensor2d([10], [1, 1]) );
    
  • 最后得到的输出为

    Tensor [[18.9862976],]
    

4. 和 tflearn 的代码比较

再来通过一个简单的例子来比较一下 Tensorflow.js 和 tflearn,
可以看出如果熟悉 tflearn 的话,那么 Tensorflow.js 会非常容易上手,

学习资料:
https://medium.com/tensorflow/getting-started-with-tensorflow-js-50f6783489b2
https://thekevinscott.com/reasons-for-machine-learning-in-the-browser/
https://www.analyticsvidhya.com/blog/2018/04/tensorflow-js-build-machine-learning-models-javascript/
https://hackernoon.com/introducing-tensorflow-js-3f31d70f5904
https://thekevinscott.com/tensorflowjs-hello-world/

作者:不会停的蜗牛
链接:https://www.jianshu.com/p/a42e47c12f3b
來源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

Last modification:October 28th, 2018 at 06:22 pm
If you think my article is useful to you, please feel free to appreciate

Leave a Comment