数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法学JavaScript 机器学习：在浏览器中构建机器学习模型
机器学习 (ML) 彻底改变了各个行业，使计算机能够根据模式和数据进行学习和预测。传统上，机器学习模型是在服务器或高性能机器上构建和执行的。然而，随着 Web 技术的进步，现在可以使用 JavaScript 直接在浏览器中构建和部署机器学习模型。
在本文中，我们将探索 JavaScript 机器学习的精彩世界，并学习如何构建可以在浏览器中运行的机器学习模型。
理解机器学习
机器学习是人工智能 (AI) 的一个子集，专注于创建能够从数据中学习并进行预测或决策的模型。主要有两种类型的机器学习：监督学习和无监督学习。
监督学习包括使用标记数据训练模型，其中输入特征和相应的输出值是已知的。模型从标记数据中学习模式，以便对新的、未见过的数据进行预测。
另一方面，无监督学习处理未标记的数据。模型在没有任何预定义标签的情况下发现数据中的隐藏模式和结构。
JavaScript 机器学习库
要开始使用 JavaScript 机器学习，请按照以下步骤操作：
步骤 1：安装 Node.js
Node.js 是一个 JavaScript 运行时环境，允许我们在 Web 浏览器之外运行 JavaScript 代码。它提供使用 TensorFlow.js 所需的工具和库。
步骤 2：设置项目
安装 Node.js 后，打开你首选的代码编辑器并为你的机器学习项目创建一个新目录。使用命令行或终端导航到项目目录。
步骤 3：初始化 Node.js 项目
在命令行或终端中，运行以下命令以初始化一个新的 Node.js 项目：
npm init -y
此命令创建一个新的 package.json 文件，用于管理项目依赖项和配置。
步骤 4：安装 TensorFlow.js
要安装 TensorFlow.js，请在命令行或终端中运行以下命令：
npm install @tensorflow/tfjs
步骤 5：开始构建机器学习模型
现在你的项目已设置好并且 TensorFlow.js 已安装，你就可以开始在浏览器中构建机器学习模型了。你可以创建一个新的 JavaScript 文件，导入 TensorFlow.js，并使用其 API 来定义、训练和使用机器学习模型进行预测。
让我们深入研究一些代码示例，以了解如何使用 TensorFlow.js 和在 JavaScript 中构建机器学习模型。
示例 1：线性回归
线性回归是一种监督学习算法，用于根据输入特征预测连续输出值。
让我们看看如何使用 TensorFlow.js 实现线性回归。
// 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();
});
解释
在这个示例中，我们首先导入 TensorFlow.js 库。然后，我们将输入特征和输出值定义为张量。接下来，我们创建一个顺序模型并添加一个具有一个单元的密集层。我们使用 'sgd' 优化器和 'meanSquaredError' 损失函数编译模型。最后，我们训练模型 100 个 epoch 并对输入特征进行预测。预测的输出值打印到控制台。
输出
Tensor [2.2019906], [4.124609 ], [6.0472274], [7.9698458], [9.8924646]]
示例 2：情感分析
情感分析是机器学习的一个流行应用，它涉及分析文本数据以确定文本中表达的情感或情绪基调。我们可以使用 TensorFlow.js 来构建一个情感分析模型，该模型可以预测给定文本是正面情绪还是负面情绪。
请考虑以下代码。
// 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}.`);
});
输出
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.
更新于：2023-07-25
浏览量 232
广告