Node.jsのセットアップ

Node.js 環境の場合は、npm:
を使用してインストールできます。

npm install @tensorflow/tfjs

2. 単純なニューラル ネットワーク モデルの構築

基本的な線形関数 y = 2x - 1 の出力を予測する単純なニューラル ネットワークを作成しましょう。このモデルの作成とトレーニングには TensorFlow.js を使用します。

ステップ 1: モデルを定義する

まず、1 つの高密度レイヤーを持つシーケンシャル モデル (レイヤーの線形スタック) を定義します。

// Import TensorFlow.jsimport * as tf from \\'@tensorflow/tfjs\\';// Create a simple sequential modelconst model = tf.sequential();// Add a single dense layer with 1 unit (neuron)model.add(tf.layers.dense({units: 1, inputShape: [1]}));

ここでは、1 つの高密度レイヤーを持つモデルを作成しました。この層には 1 つのニューロン (単位: 1) があり、単一の入力特徴 (inputShape: [1]) が必要です。

ステップ 2: モデルをコンパイルする

次に、オプティマイザーと損失関数を指定してモデルをコンパイルします。

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

小規模モデルに効果的な確率的勾配降下法 (SGD) オプティマイザーを使用します。損失関数 meansSquaredError は、このような回帰タスクに適しています。

ステップ 3: トレーニング データを準備する

関数 y = 2x - 1 のトレーニング データを作成します。TensorFlow.js では、データはテンソル (多次元配列) に保存されます。トレーニング データを生成する方法は次のとおりです:

// Generate some synthetic data for trainingconst 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)

この場合、入力値 (0、1、2、3、4) を持つテンソル xs と、y = 2x - 1 を使用して計算された値を持つ対応する出力テンソル ys を作成しました。

ステップ 4: モデルをトレーニングする

これで、データに基づいてモデルをトレーニングできます:

// Train the modelmodel.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});

ここでは、モデルを 500 エポック (トレーニング データの反復) トレーニングします。トレーニング後、モデルを使用して入力値 5 の出力を予測します。これは 9 (y = 2*5 - 1 = 9) に近い値を返すはずです。

3. ブラウザでのモデルの実行

このモデルをブラウザで実行するには、TensorFlow.js ライブラリと JavaScript コードを含む HTML ファイルが必要です:

            TensorFlow.js Example              

Simple Neural Network with TensorFlow.js

app.js ファイルには、上記のモデル構築コードとトレーニング コードを含めることができます。

","image":"http://www.luping.net/uploads/20241022/17295980466717925ed5c04.jpg","datePublished":"2024-11-05T22:45:47+08:00","dateModified":"2024-11-05T22:45:47+08:00","author":{"@type":"Person","name":"luping.net","url":"https://www.luping.net/articlelist/0_1.html"}}
「労働者が自分の仕事をうまくやりたいなら、まず自分の道具を研ぎ澄まさなければなりません。」 - 孔子、「論語。陸霊公」
表紙 > プログラミング > JavaScript での機械学習入門: TensorFlow.js の初心者ガイド

JavaScript での機械学習入門: TensorFlow.js の初心者ガイド

2024 年 11 月 5 日に公開
ブラウズ:280

Getting Started with Machine Learning in JavaScript: A Beginner’s Guide with TensorFlow.js

機械学習 (ML) は、ソフトウェア開発の世界を急速に変革しました。 TensorFlow や PyTorch などのライブラリのおかげで、最近まで Python は ML 分野で主流の言語でした。しかし、TensorFlow.js の登場により、JavaScript 開発者は、使い慣れた構文を使用して、ブラウザまたは Node.js 上で直接モデルを構築およびトレーニングし、エキサイティングな機械学習の世界に飛び込むことができるようになりました。

このブログ投稿では、JavaScript を使用して機械学習を始める方法を検討します。 TensorFlow.js.

を使用して単純なモデルを構築およびトレーニングする例を見ていきます。

TensorFlow.js を使用する理由

TensorFlow.js は、機械学習モデルを完全に JavaScript で定義、トレーニング、実行できるオープンソース ライブラリです。ブラウザーと Node.js の両方で実行できるため、幅広い ML アプリケーションに非常に多用途です。

TensorFlow.js が魅力的な理由をいくつか挙げます:

  1. リアルタイム トレーニング: ブラウザでモデルを直接実行でき、リアルタイムの対話性を提供します。
  2. クロスプラットフォーム: 同じコードをサーバー環境とクライアント環境の両方で実行できます。
  3. ハードウェア アクセラレーション: GPU アクセラレーションに WebGL を使用し、計算を高速化します。

開始方法を見てみましょう!

1. TensorFlow.js のセットアップ

コードに入る前に、TensorFlow.jsをインストールする必要があります。環境に応じて、

ブラウザのセットアップ

ブラウザで TensorFlow.js を使用するには、HTML ファイルに次の


Node.jsのセットアップ

Node.js 環境の場合は、npm:
を使用してインストールできます。

npm install @tensorflow/tfjs

2. 単純なニューラル ネットワーク モデルの構築

基本的な線形関数 y = 2x - 1 の出力を予測する単純なニューラル ネットワークを作成しましょう。このモデルの作成とトレーニングには TensorFlow.js を使用します。

ステップ 1: モデルを定義する

まず、1 つの高密度レイヤーを持つシーケンシャル モデル (レイヤーの線形スタック) を定義します。

// 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]}));

ここでは、1 つの高密度レイヤーを持つモデルを作成しました。この層には 1 つのニューロン (単位: 1) があり、単一の入力特徴 (inputShape: [1]) が必要です。

ステップ 2: モデルをコンパイルする

次に、オプティマイザーと損失関数を指定してモデルをコンパイルします。

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

小規模モデルに効果的な確率的勾配降下法 (SGD) オプティマイザーを使用します。損失関数 meansSquaredError は、このような回帰タスクに適しています。

ステップ 3: トレーニング データを準備する

関数 y = 2x - 1 のトレーニング データを作成します。TensorFlow.js では、データはテンソル (多次元配列) に保存されます。トレーニング データを生成する方法は次のとおりです:

// 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)

この場合、入力値 (0、1、2、3、4) を持つテンソル xs と、y = 2x - 1 を使用して計算された値を持つ対応する出力テンソル ys を作成しました。

ステップ 4: モデルをトレーニングする

これで、データに基づいてモデルをトレーニングできます:

// 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
});

ここでは、モデルを 500 エポック (トレーニング データの反復) トレーニングします。トレーニング後、モデルを使用して入力値 5 の出力を予測します。これは 9 (y = 2*5 - 1 = 9) に近い値を返すはずです。

3. ブラウザでのモデルの実行

このモデルをブラウザで実行するには、TensorFlow.js ライブラリと JavaScript コードを含む HTML ファイルが必要です:



    
    
    TensorFlow.js Example
    
      


    

Simple Neural Network with TensorFlow.js

app.js ファイルには、上記のモデル構築コードとトレーニング コードを含めることができます。

リリースステートメント この記事は次の場所に転載されています: https://dev.to/pawandeore/getting-started-with-machine-learning-in-javascript-a-beginners-guide-with-tensorflowjs-2ol2?1 侵害がある場合は、 Study_golang@163 .comdelete に連絡してください
最新のチュートリアル もっと>

免責事項: 提供されるすべてのリソースの一部はインターネットからのものです。お客様の著作権またはその他の権利および利益の侵害がある場合は、詳細な理由を説明し、著作権または権利および利益の証拠を提出して、電子メール [email protected] に送信してください。 できるだけ早く対応させていただきます。

Copyright© 2022 湘ICP备2022001581号-3