TensorFlow Geliştirici Zirvesi: TensorFlow.js'nin yoğun sürümü
[Xinzhiyuan Kılavuzu] 31 Mart'ta Pekin'de düzenlenen 2018 TensorFlow Geliştirici Zirvesi'nde TensorFlow büyük bir güncelleme duyurdu: JavaScript için destek ekleyerek ve açık kaynak kitaplığı TensorFlow.js'yi başlatarak, kullanıcılar makineleri tamamen tarayıcıda tanımlayabilir, eğitebilir ve çalıştırabilir Öğrenme modeli. Google Brain'in başkanı Jeff Dean, TensorFlow'un yöneticisi Rajat Monga ve diğerleri bir Keynote konuşması yaptı.
Xinzhiyuan Raporu
2018 TensorFlow Geliştirici Zirvesi
Jeff Dean'in açılış konuşması: Makine öğrenimi uzmanlarını süper güçlü bilgi işlem gücüyle değiştirin
31 Mart'ta Pekin'de düzenlenen 2018 TensorFlow Geliştirici Zirvesi'nde Google Brain müdürü, Google'ın kıdemli araştırmacısı Jeff Dean, TensorFlow direktörü Rajat Monga ve diğerleri Keynote konuşmaları yaptı.
Jeff Dean aynı zamanda en popüler derin öğrenme çerçevesi olan TensorFlow'un yaratıcılarından biridir.TensorFlow'un gelişmiş kullanımı ve TensorFlow ile büyük ölçekli makine öğreniminin nasıl uygulanacağı hakkında birçok ders vermiştir. Bu yılın başlarında Jeff Dean, Google Brain transkriptini yazdı ve TensorFlow tarafından yapılan bir dizi önemli güncellemeyi tanıttı.
Şekil: TensorFlow kullanıcılarının dağıtım haritası
TensorFlow, GitHub'daki ilk makine öğrenimi platformudur ve GitHub'daki beş yazılım havuzundan biridir.GitHub'da TensorFlow ile ilgili 24.500'den fazla farklı yazılım deposu dahil olmak üzere birçok şirket ve kuruluş tarafından kullanılmaktadır. Önceden derlenmiş TensorFlow ikili dosyaları 180'den fazla ülkede 10 milyondan fazla indirildi ve GitHub'daki kaynak kodunun şu anda 1.200'den fazla katılımcısı var.
TensorFlow 1.0'ın piyasaya sürülmesinden sonraki iki yıl içinde, TensorFlow sürekli olarak güncellenip yükseltildi ve yavaş yavaş makine öğrenimi topluluğundaki en popüler derin öğrenme çerçevesi haline geldi. Aşağıdaki resim, TensorBoard, XLA New APIs, High-level APIs, tfkeras, Eager Execution, TF Lite, vb. Gibi açık kaynaklardan beri TensorFlow'un önemli bir güncellemesidir.
Jeff Dean konuşmasında ilk olarak NAE'nin sıraladığı "21. yüzyılda çözülmesi gereken sorunlar" ile başladı ve tüm bu sorunlarda makine öğreniminin rol oynayacağını söyledi. Dahası, makine öğrenimi, özellikle tıbbi tedavinin ilerlemesini desteklemek ve bilimsel keşif için araçlar sağlamak için anahtardır.
Jeff Dean, makine öğrenimi alanındaki mevcut genel çözümün: Makine öğrenimi uzmanlığı + veri + bilgi işlem gücü olduğunu söyledi. Ancak, ML uzmanları veya makine öğrenimi uzmanlığı daha güçlü bilgi işlem gücüyle değiştirilebilir, Google pratik yapıyor.
Jeff Dean daha sonra AutoML'yi tanıttı.
Otomatik makine öğreniminin amacı, her yeni sorunla karşılaşıldığında insan makine öğrenimi uzmanlarının müdahalesine gerek kalmadan yeni makine öğrenimi sorunlarını otomatik olarak çözebilen bilgisayarlar için teknolojiler geliştirmektir. Gerçekten akıllı bir sistem istiyorsak, ihtiyaç duyulan en temel yetenek budur. AutoML, pekiştirmeli öğrenme ve evrimsel algoritmaları kullanarak sinir ağı yapısını tasarlamanın yeni bir yöntemidir.
ML + Medical, güçlü bir kombinasyondur. Google, yapay zeka tıbbi bakımında, retinal fundus fotoğraflarından kardiyovasküler hastalıkları tahmin etmek için derin öğrenmenin kullanılması gibi bir dizi başarı elde etti.
JavaScript için destek ekleyin, makine öğrenimi modellerini tamamen tarayıcıda tanımlayın, eğitin ve çalıştırın
TensorFlow Geliştirici Zirvesi'nde de önemli bir etkinlik duyuruldu:
TensorFlow, makine öğrenimi modellerini tamamen tarayıcıda tanımlamak, eğitmek ve çalıştırmak için JavaScript ve üst düzey katman API'sini kullanabilen açık kaynaklı bir kitaplık olan TensorFlow.js'nin piyasaya sürüldüğünü duyurdu. Makine öğreniminde acemiyseniz, TensorFlow.js öğrenmeye başlamak için iyi bir yoldur. Veya bir makine öğrenimi geliştiricisiyseniz ancak JavaScript'te yeniyseniz, lütfen tarayıcınızda makine öğrenimi için yeni fırsatlar hakkında daha fazla bilgi edinmek için okumaya devam edin. TensorFlow.js'yi kısaca tanıtacağız ve bazı deneme kaynaklarını tanıtacağız.
Tarayıcıda makine öğrenimini çalıştırın
Makine öğrenimi programlarını tamamen tarayıcıda çalıştırmak, etkileşimli makine öğrenimi gibi yeni fırsatlar açabilir! TensorFlow Geliştirici Zirvesi'nde Daniel Smilkov ve Nikhil Thorat, tamamen tarayıcıda yapılan PAC-MAN oyunlarını kontrol etmek için bilgisayarla görü ve web kamerası eğitim modellerinin nasıl kullanılacağını gösterdiler.
demo: https://storage.googleapis.com/tfjs-examples/webcam-transfer-learning/dist/index.html
Kod: https://github.com/tensorflow/tfjs-examples
Şekil: Web kameranızı bir PAC-MAN denetleyicisine dönüştürmek için sinir ağını kullanın
Emoji Çöpçü Avı gibi diğer oyunları denemek istiyorsanız bu sefer telefonunuzdaki tarayıcıyı kullanın.
Şekil: Emoji Çöpçü Avı, TensorFlow.js kullanılarak oluşturulmuş bir başka ilginç demodur. Telefonunuzda deneyebilirsiniz
Kullanıcının bakış açısından, Tarayıcıda çalışan ML, kitaplık veya sürücünün yüklenmesi gerekmediği anlamına gelir . Programınızı çalıştırmak için bir web sayfası açın. Ek olarak, GPU hızlandırmayı da kullanabilir. TensorFlow.js, WebGL'yi otomatik olarak destekler ve GPU kullanılabilir olduğunda arka planda kodu hızlandırır. Kullanıcı ayrıca bir mobil cihaz aracılığıyla bir web sayfası açabilir, bu durumda model jiroskop veya ivme ölçer gibi sensör verilerini kullanabilir. Son olarak, tüm veriler istemcide tutulur ve TensorFlow.js, düşük gecikmeli çıkarımlar ve gizlilik korumalı uygulamalar için kullanılabilir hale gelir.
TensorFlow.js ile ne yapabilirsiniz?
Geliştirme için TensorFlow.js kullanıyorsanız, aşağıdaki üç iş akışını göz önünde bulundurabilirsiniz:
Çıkarım için mevcut önceden eğitilmiş modelleri içe aktarabilirsiniz. Önceden çevrimdışı eğitilmiş hazır bir TensorFlow veya Keras modeliniz varsa, bunu TensorFlow.js biçimine dönüştürebilir ve çıkarım için tarayıcıya yükleyebilirsiniz.
İçe aktarılan modeli yeniden eğitebilirsiniz. Yukarıdaki Pac-Man demosunda olduğu gibi, mevcut modelleri geliştirmek için aktarım öğrenmeyi kullanabilir, "Görüntü Yeniden Eğitim" teknolojisini kullanabilir ve çevrimdışı eğitim için tarayıcıda toplanan az miktarda veriyi kullanabilirsiniz. Bu, yalnızca az miktarda veri kullanarak doğru bir modeli hızlı bir şekilde eğitmenin bir yoludur.
Modeli doğrudan tarayıcıda oluşturun. Javascript ve üst düzey katman API'sini tamamen tarayıcıda kullanarak modelleri tanımlamak, eğitmek ve çalıştırmak için TensorFlow.js'yi de kullanabilirsiniz. Keras'a aşina iseniz, o zaman yüksek seviyeli katman API'sine aşina olmalısınız.
Bazı kod örnekleri
Aşağıdaki içerik, Python'da tanımlanan modelin çıkarım için tarayıcıda nasıl dışa aktarılacağını ve modelin tamamen Javascript'te nasıl tanımlanıp eğitileceğini gösterir. İşte TensorFlow.org'daki başlangıç kılavuzundaki kod gibi, çiçekleri sınıflandırmak için kullanılan bir sinir ağını tanımlayan bir kod parçası. Burada, bir modeli tanımlamak için bir grup katman kullanıyoruz.
Burada kullanılan katman API'si, örnek dizindeki (Yoğun, CNN, LSTM vb. Dahil) tüm Keras katmanlarını destekler. Ardından, modelimizi eğitmek için Keras uyumlu API'yi kullanabiliriz:
Bu model artık tahmin yapmak için kullanılabilir:
TensorFlow.js ayrıca düşük seviyeli bir API (önceden deeplearn.js olarak adlandırılır) içerir ve Eager yürütmesini destekler.
Yukarıdaki resim, TensorFlow.js API'sine genel bir bakıştır. TensorFlow.js, WebGL tarafından desteklenir ve modelleri tanımlamak için üst düzey katman API'si ve doğrusal cebir ve otomatik farklılaştırma için düşük düzeyli API sağlar. TensorFlow.js, TensorFlow SavedModels ve Keras modellerinin içe aktarılmasını destekler.
TensorFlow.js ve deeplearn.js arasındaki fark nedir?
iyi soru! TensorFlow.js, makine öğrenimi için JavaScript araçları ekosistemidir. Deeplearn.js'nin halefidir. Deeplearn.js artık TensorFlow.js Çekirdeği olarak yeniden adlandırılmıştır. TensorFlow.js ayrıca, Core kullanarak makine öğrenimi modelleri oluşturmak için daha gelişmiş bir kitaplık olan Katmanlar API'sini ve TensorFlow SavedModels ve Keras hdf5 modellerini otomatik olarak taşımak için araçlar içerir.
Daha fazla malzeme için lütfen TensorFlow.js ana sayfasını ziyaret edin: https://js.tensorflow.org/
