滁州市重点工程建设管理局网站,网站备案查询 站长的怎么实现,网站增加关键词,wordpress 判断手机Credits: aijs.rocks
虽然python或r编程语言有一个相对容易的学习曲线#xff0c;但是Web开发人员更喜欢在他们舒适的javascript区域内做事情。目前来看#xff0c;node.js已经开始向每个领域应用javascript#xff0c;在这一大趋势下我们需要理解并使用JS进行机器学习。由… Credits: aijs.rocks
虽然python或r编程语言有一个相对容易的学习曲线但是Web开发人员更喜欢在他们舒适的javascript区域内做事情。目前来看node.js已经开始向每个领域应用javascript在这一大趋势下我们需要理解并使用JS进行机器学习。由于可用的软件包数量众多python变得流行起来但是JS社区也紧随其后。这篇文章会帮助初学者学习如何构建一个简单的分类器。
扩展2019年11个javascript机器学习库 很棒的机器学习库可以在你的下一个应用程序中添加一些人工智能 Big.bitsrc.io
创建
我们可以创建一个使用tensorflow.js在浏览器中训练模型的网页。考虑到房屋的“avgareanumberofrows”模型可以学习去预测房屋的“价格”。
为此我们要做的是
加载数据并为培训做好准备。
定义模型的体系结构。
训练模型并在训练时监控其性能。
通过做出一些预测来评估经过训练的模型。
第一步让我们从基础开始
创建一个HTML页面并包含JavaScript。将以下代码复制到名为index.html的HTML文件中。
!DOCTYPE html
html
headtitleTensorFlow.js Tutorial/title!-- Import TensorFlow.js --script srchttps://cdn.jsdelivr.net/npm/tensorflow/tfjs1.0.0/dist/tf.min.js/script!-- Import tfjs-vis --script srchttps://cdn.jsdelivr.net/npm/tensorflow/tfjs-vis1.0.2/dist/tfjs-vis.umd.min.js/script!-- Import the main script file --script srcscript.js/script
/head
body
/body
/html为代码创建javascript文件
在与上面的HTML文件相同的文件夹中创建一个名为script.js的文件并将以下代码放入其中。
console.log(Hello TensorFlow);测试
既然已经创建了HTML和JavaScript文件那么就测试一下它们。在浏览器中打开index.html文件并打开devtools控制台。
如果一切正常那么应该在devtools控制台中创建并可用两个全局变量
tf是对tensorflow.js库的引用tfvis是对tfjs vis库的引用
现在你应该可以看到一条消息上面写着“Hello TensorFlow”。如果是这样你就可以继续下一步了。 需要这样的输出
注意可以使用Bit来共享可重用的JS代码
BitGitHub上的Bit是跨项目和应用程序共享可重用JavaScript代码的最快和最可扩展的方式。可以试一试它是免费的
组件发现与协作·Bit
Bit是开发人员共享组件和协作共同构建令人惊叹的软件的地方。发现共享的组件… Bit.dev
例如Ramda用作共享组件
Ramda by Ramda·Bit
一个用于JavaScript程序员的实用函数库。-256个javascript组件。例如等号乘… Bit.dev
第2步加载数据格式化数据并可视化输入数据
我们将加载“house”数据集可以在这里找到。它包含了特定房子的许多不同特征。对于本教程我们只需要有关房间平均面积和每套房子价格的数据。
将以下代码添加到script.js文件中。
async function getData() {Const houseDataReqawait
fetch(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;
}这可以删除没有定义价格或房间数量的任何条目。我们可以将这些数据绘制成散点图看看它是什么样子的。
将以下代码添加到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);刷新页面时你可以在页面左侧看到一个面板上面有数据的散点图如下图。 散点图
通常在处理数据时最好找到方法来查看数据并在必要时对其进行清理。可视化数据可以让我们了解模型是否可以学习数据的任何结构。
从上面的图中可以看出房间数量与价格之间存在正相关关系即随着房间数量的增加房屋价格普遍上涨。
第三步建立待培训的模型
这一步我们将编写代码来构建机器学习模型。模型主要基于此代码进行架构所以这是一个比较重要的步骤。机器学习模型接受输入然后产生输出。对于tensorflow.js我们必须构建神经网络。
将以下函数添加到script.js文件中以定义模型。
function createModel() {// Create a sequential modelconst model tf.sequential(); // Add a single hidden layermodel.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));// Add an output layermodel.add(tf.layers.dense({units: 1, useBias: true}));return model;
}这是我们可以在tensorflow.js中定义的最简单的模型之一我们来试下简单分解每一行。
实例化模型
const model tf.sequential();这将实例化一个tf.model对象。这个模型是连续的因为它的输入直接流向它的输出。其他类型的模型可以有分支甚至可以有多个输入和输出但在许多情况下你的模型是连续的。
添加层
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));这为我们的网络添加了一个隐藏层。因为这是网络的第一层所以我们需要定义我们的输入形状。输入形状是[1]因为我们有1这个数字作为输入给定房间的房间数。
单位链接设置权重矩阵在层中的大小。在这里将其设置为1我们可以说每个数据输入特性都有一个权重。
model.add(tf.layers.dense({units: 1}));上面的代码创建了我们的输出层。我们将单位设置为1因为我们要输出1这个数字。
创建实例
将以下代码添加到前面定义的运行函数中。
// Create the model
const model createModel();
tfvis.show.modelSummary({name: Model Summary}, model);这样可以创建实例模型并且在网页上有显示层的摘要。 步骤4为创建准备数据
为了获得TensorFlow.js的性能优势使培训机器学习模型实用化我们需要将数据转换为Tensors。
将以下代码添加到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 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]);//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));return {inputs: normalizedInputs,labels: normalizedLabels,// Return the min/max bounds so we can use them later.inputMax,inputMin,labelMax,labelMin,}});
}接下来我们可以分析一下将会出现什么情况。
随机播放数据
// Step 1. Shuffle the data
tf.util.shuffle(data);在训练模型的过程中数据集被分成更小的集合每个集合称为一个批。然后将这些批次送入模型运行。整理数据很重要因为模型不应该一次又一次地得到相同的数据。如果模型一次又一次地得到相同的数据那么模型将无法归纳数据并为运行期间收到的输入提供指定的输出。洗牌将有助于在每个批次中拥有各种数据。
转换为Tensor
// 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]);这里我们制作了两个数组一个用于输入示例房间条目数另一个用于实际输出值在机器学习中称为标签在我们的例子中是每个房子的价格。然后我们将每个数组数据转换为一个二维张量。
规范化数据
//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));接下来我们规范化数据。在这里我们使用最小-最大比例将数据规范化为数值范围0-1。规范化很重要因为您将使用tensorflow.js构建的许多机器学习模型的内部设计都是为了使用不太大的数字。规范化数据以包括0到1或-1到1的公共范围。
返回数据和规范化界限
return {inputs: normalizedInputs,labels: normalizedLabels,// Return the min/max bounds so we can use them later.inputMax,inputMin,labelMax,labelMin,
}我们可以在运行期间保留用于标准化的值这样我们就可以取消标准化输出使其恢复到原始规模我们就可以用同样的方式规范化未来的输入数据。
步骤5运行模型
通过创建模型实例、将数据表示为张量我们可以准备开始运行模型。
将以下函数复制到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] })});
}我们把它分解一下。
准备运行
// Prepare the model for training.
model.compile({optimizer: tf.train.adam(),loss: tf.losses.meanSquaredError,metrics: [mse],
});我们必须在训练前“编译”模型。要做到这一点我们必须明确一些非常重要的事情
优化器这是一个算法它可以控制模型的更新就像上面看到的例子一样。TensorFlow.js中有许多可用的优化器。这里我们选择了Adam优化器因为它在实践中非常有效不需要进行额外配置。
损失函数这是一个函数它用于检测模型所显示的每个批数据子集方面完成的情况如何。在这里我们可以使用meansquaredrror将模型所做的预测与真实值进行比较。
度量这是我们要在每个区块结束时用来计算的度量数组。我们可以用它计算整个训练集的准确度这样我们就可以检查自己的运行结果了。这里我们使用mse它是meansquaredrror的简写。这是我们用于损失函数的相同函数也是回归任务中常用的函数。
const batchSize 28;
const epochs 50;接下来我们选择一个批量大小和一些时间段
batchSize指的是模型在每次运行迭代时将看到的数据子集的大小。常见的批量大小通常在32-512之间。对于所有问题来说并没有一个真正理想的批量大小描述各种批量大小的精确方式这一知识点本教程没有相关讲解对这些有兴趣可以通过别的渠道进行了解学习。
epochs指的是模型将查看你提供的整个数据集的次数。在这里我们通过数据集进行50次迭代。
启动列车环路
return model.fit(inputs, labels, {batchSize,epochs,callbacks: tfvis.show.fitCallbacks({ name: Training Performance },[loss, mse], { height: 200, callbacks: [onEpochEnd]})
});model.fit是我们调用的启动循环的函数。它是一个异步函数因此我们返回它给我们的特定值以便调用者可以确定运行结束时间。
为了监控运行进度我们将一些回调传递给model.fit。我们使用tfvis.show.fitcallbacks生成函数这些函数可以为前面指定的“损失”和“毫秒”度量绘制图表。
把它们放在一起
现在我们必须调用从运行函数定义的函数。
将以下代码添加到运行函数的底部。
// 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);刷新页面时几秒钟后你应该会看到图形正在更新。
这些是由我们之前创建的回调创建的。它们在每个时代结束时显示丢失在最近的批处理上和毫秒在整个数据集上。
当训练一个模型时我们希望看到损失减少。在这种情况下因为我们的度量是一个误差度量所以我们希望看到它也下降。
第6步做出预测
既然我们的模型经过了训练我们想做一些预测。让我们通过观察它预测的低到高数量房间的统一范围来评估模型。
将以下函数添加到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 datareturn [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});
}在上面的函数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]));我们生成100个新的“示例”以提供给模型。model.predict是我们如何将这些示例输入到模型中的。注意他们需要有一个类似的形状[num_的例子num_的特点每个_的例子]当我们做培训时。
// Un-normalize the data
const unNormXs xs.mul(inputMax.sub(inputMin)).add(inputMin);const unNormPreds preds.mul(labelMax.sub(labelMin)).add(labelMin);为了将数据恢复到原始范围而不是0–1我们使用规范化时计算的值但只需反转操作。
return [unNormXs.dataSync(), unNormPreds.dataSync()];.datasync是一种方法我们可以使用它来获取存储在张量中的值的typedarray。这允许我们在常规的javascript中处理这些值。这是通常首选的.data方法的同步版本。
最后我们使用tfjs-vis来绘制原始数据和模型中的预测。
将以下代码添加到运行函数中。
testModel(model, data, tensorData);刷新页面现在已经完成啦
现在你已经学会使用tensorflow.js创建一个简单的机器学习模型了。这里是Github存储库供参考。
结论
我开始接触这些是因为机器学习的概念非常吸引我还有就是我想看看有没有方法可以让它在前端开发中实现我很高兴发现tensorflow.js库可以帮助我实现我的目标。这只是前端开发中机器学习的开始TensorFlow.js还可以完成很多工作。谢谢你的阅读
原文链接 本文为云栖社区原创内容未经允许不得转载。
