Tensor Flow

Tempo de leitura: 3 minutos

Recentemente tivemos dois posts que são essenciais antes de começar este. Um é sobre Machine Learning, seus conceitos e técnicas. E o outro, é nossa introdução a Javascript. Se você já venceu esta etapa, vamos começar!

Eu deveria começar admitindo que não sou especialista em redes neurais ou aprendizado de máquina. Para ser honesto, a maior parte disso ainda me deixa perplexo. Mas espero que isso seja encorajador para qualquer colega não especialista que possa estar lendo isso, ansioso para enfiar o pé na jaca no Machine Learning

O aprendizado de máquina era uma daquelas coisas que apareciam de tempos em tempos e eu pensava comigo mesmo: “sim, isso seria muito legal… mas eu não tenho certeza se gostaria de passar os próximos meses aprendendo álgebra linear e cálculo.”

Como muitos desenvolvedores, no entanto, sou bastante prático com JavaScript e ocasionalmente procurava exemplos de aprendizado de máquina implementados no JS, apenas para encontrar muitos artigos e posts sobre como o JS é uma linguagem terrível para o Machine Learning, e de fato, era. Então eu me distraía e seguia em frente, imaginando que eles estavam certos e eu deveria voltar a validar entradas de formulários e esperar que a grade CSS decolasse. Foi aí que descobri o TensorFlow e minha visão mudou.

A biblioteca de aprendizado de máquina de código aberto TensorFlow do Google foi estendida para JavaScript com o Tensorflow.js, uma biblioteca JavaScript para implantar modelos de aprendizado de máquina no navegador.

Uma biblioteca acelerada por WebGL, a Tensorflow.js também trabalha com o tempo de execução JavaScript do lado do servidor Node.js e faz parte do ecossistema TensorFlow. Com o aprendizado de máquina diretamente no navegador, não há necessidade de drivers; os desenvolvedores podem apenas executar o código.

O projeto, que apresenta um ecossistema de ferramentas JavaScript, evoluiu da biblioteca Deeplearn.js para o aprendizado de máquina baseado em navegador; Deeplearn.js é agora conhecido como Tensorflow.js Core.

As APIs TensorFlow.js podem ser usadas para criar modelos usando a biblioteca de álgebra linear de JavaScript de baixo nível ou a API de camadas de nível superior. Os conversores do modelo TensorFlow.js podem executar modelos existentes no navegador ou sob o Node.js. Os modelos existentes podem ser treinados novamente usando dados do sensor conectados ao navegador.

Um tensor serve como unidade central de dados. Além disso, uma API inspirada em Keras de alto nível é incluída para a construção de redes neurais.

Mas o TensorFlow.js não é a única biblioteca JavaScript criada para redes neurais; O TensorFire, construído por alunos do MIT, executa redes neurais em uma página da web.

Tensorflow.js tem uma API semelhante à API Python da Tensorflow. Mas a API JavaScript ainda não suporta todas as funcionalidades da API do Python. Os construtores do Tensorflow.js prometem alcançar paridade onde isso faz sentido, mas querem fornecer uma API JavaScript idiomática. O TensorFlow com WebGL também executa de 50 a 60% da velocidade da API do TensorFlow Python usada com a biblioteca AVX.

Aprimoramentos planejados para o TensorFlow.js incluem:

  • Uma biblioteca de visualização para realizar visualizações rápidas do modelo e dos dados.
  • Melhorias de desempenho no navegador.
  • Otimização WebGL.
  • Uma API de dados específica do navegador e do nó.
  • Integração de nuvem no lado do Node.js, incluindo pontos de integração do tipo sem servidor.
  • Melhor suporte assíncrono com a biblioteca de E / S assíncrona do libuv.

Você pode baixar o TensorFlow.js do GitHub.
https://github.com/tensorflow/tfjs

Gostou do conteúdo? Não deixe de seguir a uebile nas redes sociais, pois toda semana tem post novo aqui no blog com mais dicas para o seu impulso digital.