मशीन लर्निंग (एमएल) ने सॉफ्टवेयर विकास की दुनिया को तेजी से बदल दिया है। हाल तक, TensorFlow और PyTorch जैसी लाइब्रेरीज़ की बदौलत Python, ML स्पेस में प्रमुख भाषा थी। लेकिन TensorFlow.js के उदय के साथ, जावास्क्रिप्ट डेवलपर्स अब सीधे ब्राउज़र में या Node.js पर मॉडल बनाने और प्रशिक्षित करने के लिए परिचित सिंटैक्स का उपयोग करके मशीन लर्निंग की रोमांचक दुनिया में प्रवेश कर सकते हैं।

इस ब्लॉग पोस्ट में, हम यह पता लगाएंगे कि आप जावास्क्रिप्ट का उपयोग करके मशीन लर्निंग से कैसे शुरुआत कर सकते हैं। हम TensorFlow.js का उपयोग करके एक सरल मॉडल के निर्माण और प्रशिक्षण का एक उदाहरण देखेंगे।

TensorFlow.js क्यों?

TensorFlow.js एक ओपन-सोर्स लाइब्रेरी है जो आपको पूरी तरह से जावास्क्रिप्ट में मशीन लर्निंग मॉडल को परिभाषित करने, प्रशिक्षित करने और चलाने की अनुमति देती है। यह ब्राउज़र और Node.js दोनों पर चलता है, जो इसे एमएल अनुप्रयोगों की एक विस्तृत श्रृंखला के लिए अविश्वसनीय रूप से बहुमुखी बनाता है।

यहां कुछ कारण दिए गए हैं कि TensorFlow.js रोमांचक क्यों है:

1. वास्तविक समय प्रशिक्षण: आप वास्तविक समय अन्तरक्रियाशीलता की पेशकश करते हुए सीधे ब्राउज़र में मॉडल चला सकते हैं।
2. क्रॉस-प्लेटफ़ॉर्म: एक ही कोड सर्वर और क्लाइंट वातावरण दोनों पर चल सकता है।
3. हार्डवेयर त्वरण: यह GPU त्वरण के लिए WebGL का उपयोग करता है, जो गणनाओं को गति देता है।

आइए देखें कि शुरुआत कैसे करें!

1. TensorFlow.js की स्थापना

कोड में जाने से पहले, आपको TensorFlow.js इंस्टॉल करना होगा। आप इसे अपने परिवेश के आधार पर

ब्राउज़र सेटअप

ब्राउज़र में TensorFlow.js का उपयोग करने के लिए, बस अपनी HTML फ़ाइल में निम्नलिखित

Node.js सेटअप

Node.js वातावरण के लिए, आप इसे npm का उपयोग करके स्थापित कर सकते हैं:

npm install @tensorflow/tfjs

2. एक सरल तंत्रिका नेटवर्क मॉडल का निर्माण

आइए एक सरल तंत्रिका नेटवर्क बनाएं जो एक बुनियादी रैखिक फ़ंक्शन, y = 2x - 1 के आउटपुट की भविष्यवाणी करता है। हम इस मॉडल को बनाने और प्रशिक्षित करने के लिए TensorFlow.js का उपयोग करेंगे।

चरण 1: मॉडल को परिभाषित करें

हम एक सघन परत के साथ एक अनुक्रमिक मॉडल (परतों का एक रैखिक ढेर) को परिभाषित करके शुरू करेंगे:

// 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]}));

यहां, हमने एक घनी परत वाला एक मॉडल बनाया है। परत में एक न्यूरॉन (इकाइयाँ: 1) है, और यह एक एकल इनपुट सुविधा (इनपुटशेप: [1]) की अपेक्षा करती है।

चरण 2: मॉडल संकलित करें

इसके बाद, हम ऑप्टिमाइज़र और हानि फ़ंक्शन को निर्दिष्ट करके मॉडल संकलित करते हैं:

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

हम स्टोचैस्टिक ग्रेडिएंट डिसेंट (एसजीडी) ऑप्टिमाइज़र का उपयोग करते हैं, जो छोटे मॉडलों के लिए प्रभावी है। हानि फ़ंक्शन, माध्यस्क्वायरएरर, इस तरह के प्रतिगमन कार्यों के लिए उपयुक्त है।

चरण 3: प्रशिक्षण डेटा तैयार करें

अब हम फ़ंक्शन y = 2x - 1 के लिए कुछ प्रशिक्षण डेटा बनाएंगे। TensorFlow.js में, डेटा को टेंसर (बहुआयामी सरणियों) में संग्रहीत किया जाता है। यहां बताया गया है कि हम कुछ प्रशिक्षण डेटा कैसे उत्पन्न कर सकते हैं:

// 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)

इस मामले में, हमने इनपुट मान (0, 1, 2, 3, 4) के साथ एक टेंसर xs और y = 2x - 1 का उपयोग करके गणना किए गए मानों के साथ एक संबंधित आउटपुट टेंसर ys बनाया है।

चरण 4: मॉडल को प्रशिक्षित करें

अब, हम अपने डेटा पर मॉडल को प्रशिक्षित कर सकते हैं:

// 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
});

यहां, हम 500 युगों (प्रशिक्षण डेटा पर पुनरावृत्ति) के लिए मॉडल को प्रशिक्षित करते हैं। प्रशिक्षण के बाद, हम 5 के इनपुट मान के लिए आउटपुट की भविष्यवाणी करने के लिए मॉडल का उपयोग करते हैं, जिसे 9 के करीब मान लौटाना चाहिए (y = 2*5 - 1 = 9)।

3. ब्राउज़र में मॉडल चलाना

इस मॉडल को ब्राउज़र में चलाने के लिए, आपको एक HTML फ़ाइल की आवश्यकता होगी जिसमें TensorFlow.js लाइब्रेरी और आपका जावास्क्रिप्ट कोड शामिल हो:

    
    
    
    
      


    
Simple Neural Network with TensorFlow.js

और अपनी ऐप.जेएस फ़ाइल में, आप ऊपर से मॉडल-बिल्डिंग और प्रशिक्षण कोड शामिल कर सकते हैं।