資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法學JavaScript 機器學習：在瀏覽器中構建機器學習模型
機器學習 (ML) 徹底改變了各個行業，使計算機能夠根據模式和資料進行學習和預測。傳統上，機器學習模型是在伺服器或高效能機器上構建和執行的。然而，隨著 Web 技術的進步，現在可以使用 JavaScript 直接在瀏覽器中構建和部署機器學習模型。
在本文中，我們將探索 JavaScript 機器學習的精彩世界，並學習如何構建可以在瀏覽器中執行的機器學習模型。
理解機器學習
機器學習是人工智慧 (AI) 的一個子集，專注於建立能夠從資料中學習並進行預測或決策的模型。主要有兩種型別的機器學習：監督學習和無監督學習。
監督學習包括使用標記資料訓練模型，其中輸入特徵和相應的輸出值是已知的。模型從標記資料中學習模式，以便對新的、未見過的資料進行預測。
另一方面，無監督學習處理未標記的資料。模型在沒有任何預定義標籤的情況下發現資料中的隱藏模式和結構。
JavaScript 機器學習庫
要開始使用 JavaScript 機器學習，請按照以下步驟操作：
步驟 1：安裝 Node.js
Node.js 是一個 JavaScript 執行時環境，允許我們在 Web 瀏覽器之外執行 JavaScript 程式碼。它提供使用 TensorFlow.js 所需的工具和庫。
步驟 2：設定專案
安裝 Node.js 後，開啟你首選的程式碼編輯器併為你的機器學習專案建立一個新目錄。使用命令列或終端導航到專案目錄。
步驟 3：初始化 Node.js 專案
在命令列或終端中，執行以下命令以初始化一個新的 Node.js 專案：
npm init -y
此命令建立一個新的 package.json 檔案，用於管理專案依賴項和配置。
步驟 4：安裝 TensorFlow.js
要安裝 TensorFlow.js，請在命令列或終端中執行以下命令：
npm install @tensorflow/tfjs
步驟 5：開始構建機器學習模型
現在你的專案已設定好並且 TensorFlow.js 已安裝，你就可以開始在瀏覽器中構建機器學習模型了。你可以建立一個新的 JavaScript 檔案，匯入 TensorFlow.js，並使用其 API 來定義、訓練和使用機器學習模型進行預測。
讓我們深入研究一些程式碼示例，以瞭解如何使用 TensorFlow.js 和在 JavaScript 中構建機器學習模型。
示例 1：線性迴歸
線性迴歸是一種監督學習演算法，用於根據輸入特徵預測連續輸出值。
讓我們看看如何使用 TensorFlow.js 實現線性迴歸。
// Import TensorFlow.js library
import * as tf from '@tensorflow/tfjs';
// Define input features and output values
const inputFeatures = tf.tensor2d([[1], [2], [3], [4], [5]], [5, 1]);
const outputValues = tf.tensor2d([[2], [4], [6], [8], [10]], [5, 1]);
// Define the model architecture
const model = tf.sequential();
model.add(tf.layers.dense({ units: 1, inputShape: [1] }));
// Compile the model
model.compile({ optimizer: 'sgd', loss: 'meanSquaredError' });
// Train the model
model.fit(inputFeatures, outputValues, { epochs: 100 }).then(() => {
// Make predictions
const predictions = model.predict(inputFeatures);
// Print predictions
predictions.print();
});
解釋
在這個示例中，我們首先匯入 TensorFlow.js 庫。然後，我們將輸入特徵和輸出值定義為張量。接下來，我們建立一個順序模型並新增一個具有一個單元的密集層。我們使用 'sgd' 最佳化器和 'meanSquaredError' 損失函式編譯模型。最後，我們訓練模型 100 個 epoch 並對輸入特徵進行預測。預測的輸出值列印到控制檯。
輸出
Tensor [2.2019906], [4.124609 ], [6.0472274], [7.9698458], [9.8924646]]
示例 2：情感分析
情感分析是機器學習的一個流行應用，它涉及分析文字資料以確定文字中表達的情感或情緒基調。我們可以使用 TensorFlow.js 來構建一個情感分析模型，該模型可以預測給定文字是正面情緒還是負面情緒。
請考慮以下程式碼。
// Import TensorFlow.js library
import * as tf from '@tensorflow/tfjs';
import '@tensorflow/tfjs-node'; // Required for Node.js environment
// Define training data
const trainingData = [
{ text: 'I love this product!', sentiment: 'positive' },
{ text: 'This is a terrible experience.', sentiment: 'negative' },
{ text: 'The movie was amazing!', sentiment: 'positive' },
// Add more training data...
];
// Prepare training data
const texts = trainingData.map(item => item.text);
const labels = trainingData.map(item => (item.sentiment === 'positive' ? 1 : 0));
// Tokenize and preprocess the texts
const tokenizedTexts = texts.map(text => text.toLowerCase().split(' '));
const wordIndex = new Map();
let currentIndex = 1;
const sequences = tokenizedTexts.map(tokens => {
return tokens.map(token => {
if (!wordIndex.has(token)) {
wordIndex.set(token, currentIndex);
currentIndex++;
}
return wordIndex.get(token);
});
});
// Pad sequences
const maxLength = sequences.reduce((max, seq) => Math.max(max, seq.length), 0);
const paddedSequences = sequences.map(seq => {
if (seq.length < maxLength) {
return seq.concat(new Array(maxLength - seq.length).fill(0));
}
return seq;
});
// Convert to tensors
const paddedSequencesTensor = tf.tensor2d(paddedSequences);
const labelsTensor = tf.tensor1d(labels);
// Define the model architecture
const model = tf.sequential();
model.add(tf.layers.embedding({ inputDim: currentIndex, outputDim: 16, inputLength: maxLength }));
model.add(tf.layers.flatten());
model.add(tf.layers.dense({ units: 1, activation: 'sigmoid' }));
// Compile the model
model.compile({ optimizer: 'adam', loss: 'binaryCrossentropy', metrics: ['accuracy'] });
// Train the model
model.fit(paddedSequencesTensor, labelsTensor, { epochs: 10 }).then(() => {
// Make predictions
const testText = 'This product exceeded my expectations!';
const testTokens = testText.toLowerCase().split(' ');
const testSequence = testTokens.map(token => {
if (wordIndex.has(token)) {
return wordIndex.get(token);
}
return 0;
});
const paddedTestSequence = testSequence.length < maxLength ? testSequence.concat(new Array(maxLength - testSequence.length).fill(0)) : testSequence;
const testSequenceTensor = tf.tensor2d([paddedTestSequence]);
const prediction = model.predict(testSequenceTensor);
const sentiment = prediction.dataSync()[0] > 0.5 ? 'positive' : 'negative';
// Print the sentiment prediction
console.log(`The sentiment of "${testText}" is ${sentiment}.`);
});
輸出
Epoch 1 / 10 eta=0.0 ========================================================================> 14ms 4675us/step - acc=0.00 loss=0.708 Epoch 2 / 10 eta=0.0 ========================================================================> 4ms 1428us/step - acc=0.667 loss=0.703 Epoch 3 / 10 eta=0.0 ========================================================================> 5ms 1733us/step - acc=0.667 loss=0.697 Epoch 4 / 10 eta=0.0 ========================================================================> 4ms 1419us/step - acc=0.667 loss=0.692 Epoch 5 / 10 eta=0.0 ========================================================================> 6ms 1944us/step - acc=0.667 loss=0.686 Epoch 6 / 10 eta=0.0 ========================================================================> 5ms 1558us/step - acc=0.667 loss=0.681 Epoch 7 / 10 eta=0.0 ========================================================================> 5ms 1513us/step - acc=0.667 loss=0.675 Epoch 8 / 10 eta=0.0 ========================================================================> 3ms 1057us/step - acc=1.00 loss=0.670 Epoch 9 / 10 eta=0.0 ========================================================================> 5ms 1745us/step - acc=1.00 loss=0.665 Epoch 10 / 10 eta=0.0 ========================================================================> 4ms 1439us/step - acc=1.00 loss=0.659 The sentiment of "This product exceeded my expectations!" is positive.
更新於：2023-07-25
瀏覽量 232
廣告