El aprendizaje automático (ML) ha transformado rápidamente el mundo del desarrollo de software. Hasta hace poco, Python era el lenguaje dominante en el espacio ML, gracias a bibliotecas como TensorFlow y PyTorch. Pero con el auge de TensorFlow.js, los desarrolladores de JavaScript ahora pueden sumergirse en el apasionante mundo del aprendizaje automático, utilizando una sintaxis familiar para crear y entrenar modelos directamente en el navegador o en Node.js.

En esta publicación de blog, exploraremos cómo comenzar con el aprendizaje automático usando JavaScript. Analizaremos un ejemplo de construcción y entrenamiento de un modelo simple usando TensorFlow.js.

¿Por qué TensorFlow.js?

TensorFlow.js es una biblioteca de código abierto que le permite definir, entrenar y ejecutar modelos de aprendizaje automático completamente en JavaScript. Se ejecuta tanto en el navegador como en Node.js, lo que lo hace increíblemente versátil para una amplia gama de aplicaciones de aprendizaje automático.

Aquí hay algunas razones por las que TensorFlow.js es interesante:

1. Entrenamiento en tiempo real: Puede ejecutar modelos directamente en el navegador, ofreciendo interactividad en tiempo real.
2. Multiplataforma: el mismo código se puede ejecutar tanto en entornos de servidor como de cliente.
3. Aceleración de hardware: utiliza WebGL para la aceleración de GPU, lo que acelera los cálculos.

¡Veamos cómo empezar!

1. Configurar TensorFlow.js

Antes de profundizar en el código, deberás instalar TensorFlow.js. Puedes incluirlo en tu proyecto mediante una etiqueta

Configuración del navegador

Para usar TensorFlow.js en el navegador, simplemente incluye la siguiente etiqueta

Configuración de Node.js

Para un entorno Node.js, puedes instalarlo usando npm:

npm install @tensorflow/tfjs

2. Construcción de un modelo de red neuronal simple

Creemos una red neuronal simple que prediga la salida de una función lineal básica, y = 2x - 1. Usaremos TensorFlow.js para crear y entrenar este modelo.

Paso 1: definir el modelo

Comenzaremos definiendo un modelo secuencial (una pila lineal de capas) con una capa densa:

// Import TensorFlow.js
import * as tf from '@tensorflow/tfjs';

// Create a simple sequential model
const model = tf.sequential();

// Add a single dense layer with 1 unit (neuron)
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

Aquí, hemos creado un modelo con una capa densa. La capa tiene una neurona (unidades: 1) y espera una única característica de entrada (inputShape: [1]).

Paso 2: compilar el modelo

A continuación, compilamos el modelo especificando el optimizador y la función de pérdida:

// Compile the model
model.compile({
  optimizer: 'sgd',  // Stochastic Gradient Descent
  loss: 'meanSquaredError'  // Loss function for regression
});

Utilizamos el optimizador Stochastic Gradient Descent (SGD), que es eficaz para modelos pequeños. La función de pérdida, meanSquaredError, es apropiada para tareas de regresión como ésta.

Paso 3: preparar los datos de entrenamiento

Ahora crearemos algunos datos de entrenamiento para la función y = 2x - 1. En TensorFlow.js, los datos se almacenan en tensores (matrices multidimensionales). Así es como podemos generar algunos datos de entrenamiento:

// Generate some synthetic data for training
const xs = tf.tensor2d([0, 1, 2, 3, 4], [5, 1]);  // Inputs (x values)
const ys = tf.tensor2d([1, 3, 5, 7, 9], [5, 1]);  // Outputs (y values)

En este caso, hemos creado un tensor xs con valores de entrada (0, 1, 2, 3, 4) y un tensor de salida correspondiente ys con valores calculados usando y = 2x - 1.

Paso 4: entrenar el modelo

Ahora podemos entrenar el modelo con nuestros datos:

// Train the model
model.fit(xs, ys, {epochs: 500}).then(() => {
  // Once training is complete, use the model to make predictions
  model.predict(tf.tensor2d([5], [1, 1])).print();  // Output will be close to 2*5 - 1 = 9
});

Aquí, entrenamos el modelo para 500 épocas (iteraciones sobre los datos de entrenamiento). Después del entrenamiento, usamos el modelo para predecir la salida para un valor de entrada de 5, que debería devolver un valor cercano a 9 (y = 2*5 - 1 = 9).

3. Ejecutar el modelo en el navegador

Para ejecutar este modelo en el navegador, necesitarás un archivo HTML que incluya la biblioteca TensorFlow.js y tu código JavaScript:

    
Simple Neural Network with TensorFlow.js

Y en su archivo app.js, puede incluir el código de entrenamiento y creación de modelos anterior.