معرفی و آموزش کتابخانه TensorFlow.js

مقدمه

در دنیای امروز، هوش مصنوعی و یادگیری ماشین به یکی از داغ‌ترین موضوعات تبدیل شده‌اند و ابزارهای مختلفی برای تسهیل این فرآیندها وجود دارند. یکی از این ابزارها، کتابخانه TensorFlow.js است که به‌طور خاص برای توسعه‌دهندگان وب طراحی شده است. این کتابخانه به شما این امکان را می‌دهد تا مدل‌های یادگیری ماشین را مستقیماً در مرورگرهای وب و با استفاده از زبان برنامه‌نویسی جاوااسکریپت پیاده‌سازی کنید. در این مقاله، ما به بررسی TensorFlow.js، ویژگی‌ها، مزایا و نحوه استفاده از آن خواهیم پرداخت.

تاریخچه TensorFlow.js

TensorFlow.js به عنوان بخشی از پروژه TensorFlow که توسط گوگل توسعه یافته است، در سال 2018 معرفی شد. این کتابخانه به‌طور خاص برای تسهیل استفاده از یادگیری ماشین در محیط‌های وب طراحی شده و به توسعه‌دهندگان این امکان را می‌دهد که بدون نیاز به سرورهای قوی، مدل‌های یادگیری ماشین را اجرا کنند. با استفاده از TensorFlow.js، توسعه‌دهندگان می‌توانند به سادگی مدل‌های آموزش دیده را در مرورگر بارگذاری و استفاده کنند.

ویژگی‌های اصلی TensorFlow.js

اجرا در مرورگر: یکی از بزرگ‌ترین مزایای TensorFlow.js این است که می‌توانید مدل‌های یادگیری ماشین را مستقیماً در مرورگر اجرا کنید، بدون اینکه نیازی به سرور داشته باشید. این ویژگی باعث افزایش سرعت و کاهش زمان تأخیر می‌شود.
آموزش مدل: علاوه بر اجرای مدل‌ها، TensorFlow.js به شما این امکان را می‌دهد که مدل‌ها را نیز در مرورگر آموزش دهید. این ویژگی به‌ویژه برای کاربرانی که می‌خواهند به‌روزرسانی‌های سریع‌تری را تجربه کنند، مفید است.
پشتیبانی از WebGL: به‌طور پیش‌فرض از WebGL برای شتاب‌دهی محاسبات استفاده می‌کند. این ویژگی باعث می‌شود که پردازش‌های پیچیده‌تر به‌طور مؤثری انجام شود.
مدل‌های از پیش آموزش دیده: TensorFlow.js دارای یک کتابخانه گسترده از مدل‌های یادگیری ماشین از پیش آموزش دیده است که می‌توانند به سرعت در پروژه‌های مختلف مورد استفاده قرار گیرند.
قابلیت ادغام با دیگر کتابخانه‌ها: TensorFlow.js به‌راحتی می‌تواند با سایر کتابخانه‌های جاوااسکریپت مانند React، Angular و Vue.js ادغام شود، که این موضوع باعث تسهیل فرآیند توسعه می‌شود.

آیا میدانید مدرسه فرانت اند پرنیان، دوره فرانت اند از صفر تا صد را بصورت حرفه ای برگزار میکند؟

نصب TensorFlow.js

برای استفاده از TensorFlow.js، شما می‌توانید آن را از طریق npm نصب کنید یا به‌سادگی از CDN استفاده کنید. در اینجا نحوه نصب آن با استفاده از npm آورده شده است:

npm install @tensorflow/tfjs

اگر از CDN استفاده می‌کنید، می‌توانید کد زیر را در HTML خود اضافه کنید:

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>

نحوه استفاده از TensorFlow.js

1. بارگذاری مدل

برای بارگذاری یک مدل، شما می‌توانید از متد tf.loadLayersModel استفاده کنید. به عنوان مثال:

const model = await tf.loadLayersModel('model.json');

2. پیش‌پردازش داده‌ها

قبل از وارد کردن داده‌ها به مدل، باید آن‌ها را پیش‌پردازش کنید. به عنوان مثال، می‌توانید داده‌ها را نرمال‌سازی کنید:

const input = tf.tensor2d(data, [numExamples, numFeatures]);
const normalizedInput = input.div(255);

3. انجام پیش‌بینی

برای انجام پیش‌بینی با مدل، می‌توانید از متد predict استفاده کنید:

const predictions = model.predict(normalizedInput);

4. نمایش نتایج

نتایج پیش‌بینی شده را می‌توان به سادگی با استفاده از جاوااسکریپت در HTML نمایش داد:

predictions.print();

مثال کامل

در این بخش، یک مثال کامل از ایجاد و استفاده از یک مدل یادگیری ماشین با TensorFlow.js را بررسی خواهیم کرد. در این مثال، ما یک مدل ساده برای پیش‌بینی اعداد از روی داده‌های ورودی خواهیم ساخت.

<!DOCTYPE html>
<html lang="fa">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>TensorFlow.js Example</title>
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>
</head>
<body>
    <h1>پیش‌بینی اعداد با TensorFlow.js</h1>
    <input type="number" id="inputNumber" placeholder="عدد ورودی" />
    <button id="predictButton">پیش‌بینی</button>
    <p id="result"></p>

    <script>
        // ساخت مدل
        const model = tf.sequential();
        model.add(tf.layers.dense({units: 1, inputShape: [1]}));
        model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

        // داده‌های آموزشی
        const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
        const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

        // آموزش مدل
        async function trainModel() {
            await model.fit(xs, ys, {epochs: 100});
            console.log("آموزش مدل کامل شد");
        }

        trainModel();

        // پیش‌بینی با مدل
        document.getElementById('predictButton').onclick = async function() {
            const inputNumber = parseFloat(document.getElementById('inputNumber').value);
            const inputTensor = tf.tensor2d([inputNumber], [1, 1]);
            const prediction = model.predict(inputTensor);
            const result = await prediction.data();
            document.getElementById('result').innerText = `پیش‌بینی: ${result[0]}`;
        };
    </script>
</body>
</html>

TensorFlow.js یک ابزار قدرتمند برای توسعه‌دهندگان وب است که به آن‌ها این امکان را می‌دهد که مدل‌های یادگیری ماشین را به‌راحتی در مرورگر اجرا کنند و آموزش دهند. این کتابخانه به دلیل قابلیت‌های متعدد و کاربردی که دارد، به‌ویژه در پروژه‌های وب و موبایل بسیار محبوب است. با توجه به روند رو به رشد یادگیری ماشین و هوش مصنوعی، TensorFlow.js ابزاری حیاتی برای توسعه‌دهندگان خواهد بود که می‌خواهند در این زمینه فعالیت کنند.

امیدواریم از این مقاله معرفی و آموزش کتابخانه TensorFlow.js نهایت استفاده را برده باشید و آن را با دوستانتان به اشتراک بگذارید. تیم تولید محتوای مدرسه اینترنتی پرنیان این مقاله را تهیه کرده است.