O aprendizado de máquina (ML) transformou rapidamente o mundo do desenvolvimento de software. Até recentemente, Python era a linguagem dominante no espaço de ML, graças a bibliotecas como TensorFlow e PyTorch. Mas com a ascensão do TensorFlow.js, os desenvolvedores de JavaScript agora podem mergulhar no emocionante mundo do aprendizado de máquina, usando sintaxe familiar para construir e treinar modelos diretamente no navegador ou no Node.js.

Nesta postagem do blog, exploraremos como você pode começar a usar o aprendizado de máquina usando JavaScript. Veremos um exemplo de construção e treinamento de um modelo simples usando TensorFlow.js.

Por que TensorFlow.js?

TensorFlow.js é uma biblioteca de código aberto que permite definir, treinar e executar modelos de aprendizado de máquina inteiramente em JavaScript. Ele é executado no navegador e no Node.js, o que o torna incrivelmente versátil para uma ampla variedade de aplicativos de ML.

Aqui estão alguns motivos pelos quais o TensorFlow.js é interessante:

1. Treinamento em tempo real: você pode executar modelos diretamente no navegador, oferecendo interatividade em tempo real.
2. Cross-plataforma: O mesmo código pode ser executado em ambientes de servidor e cliente.
3. Aceleração de hardware: usa WebGL para aceleração de GPU, o que acelera os cálculos.

Vamos ver como começar!

1. Configurando o TensorFlow.js

Antes de mergulhar no código, você precisará instalar o TensorFlow.js. Você pode incluí-lo em seu projeto por meio de uma tag

Configuração do navegador

Para usar TensorFlow.js no navegador, basta incluir a seguinte tag

Configuração do Node.js.

Para um ambiente Node.js, você pode instalá-lo usando npm:

npm install @tensorflow/tfjs

2. Construindo um modelo de rede neural simples

Vamos criar uma rede neural simples que prevê a saída de uma função linear básica, y = 2x - 1. Usaremos TensorFlow.js para criar e treinar este modelo.

Etapa 1: definir o modelo

Começaremos definindo um modelo sequencial (uma pilha linear de camadas) com uma camada 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]}));

Aqui, criamos um modelo com uma camada densa. A camada possui um neurônio (unidades: 1) e espera um único recurso de entrada (inputShape: [1]).

Etapa 2: compilar o modelo

Em seguida, compilamos o modelo especificando o otimizador e a função de perda:

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

Usamos o otimizador Stochastic Gradient Descent (SGD), que é eficaz para modelos pequenos. A função de perda, meanSquaredError, é apropriada para tarefas de regressão como esta.

Etapa 3: preparar os dados de treinamento

Agora criaremos alguns dados de treinamento para a função y = 2x - 1. No TensorFlow.js, os dados são armazenados em tensores (matrizes multidimensionais). Veja como podemos gerar alguns dados de treinamento:

// 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)

Neste caso, criamos um tensor xs com valores de entrada (0, 1, 2, 3, 4) e um tensor de saída correspondente ys com valores calculados usando y = 2x - 1.

Etapa 4: treinar o modelo

Agora, podemos treinar o modelo em nossos dados:

// 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
});

Aqui, treinamos o modelo para 500 épocas (iterações sobre os dados de treinamento). Após o treinamento, usamos o modelo para prever a saída para um valor de entrada 5, que deve retornar um valor próximo a 9 (y = 2*5 - 1 = 9).

3. Executando o modelo no navegador

Para executar este modelo no navegador, você precisará de um arquivo HTML que inclua a biblioteca TensorFlow.js e seu código JavaScript:

    
Simple Neural Network with TensorFlow.js

E em seu arquivo app.js, você pode incluir o código de construção de modelo e treinamento acima.