এই পৃষ্ঠাটি Cloud Translation API অনুবাদ করেছে।

Node.js কোডল্যাবে TensorFlow.js প্রশিক্ষণ

1. ভূমিকা

এই কোডল্যাবে, আপনি জাভাস্ক্রিপ্টের জন্য একটি শক্তিশালী এবং নমনীয় মেশিন লার্নিং লাইব্রেরি, TensorFlow.js ব্যবহার করে সার্ভার-সাইডে বেসবল পিচের ধরনগুলিকে প্রশিক্ষণ ও শ্রেণিবদ্ধ করতে একটি Node.js ওয়েব সার্ভার তৈরি করতে শিখবেন। পিচ সেন্সর ডেটা থেকে পিচের ধরন ভবিষ্যদ্বাণী করতে এবং একটি ওয়েব ক্লায়েন্ট থেকে ভবিষ্যদ্বাণী আহ্বান করার জন্য আপনি একটি মডেলকে প্রশিক্ষণ দেওয়ার জন্য একটি ওয়েব অ্যাপ্লিকেশন তৈরি করবেন৷ এই কোডল্যাবের একটি সম্পূর্ণ কার্যকরী সংস্করণ tfjs-উদাহরণ GitHub রেপোতে উপস্থিত রয়েছে।

আপনি কি শিখবেন

Node.js এর সাথে ব্যবহারের জন্য কিভাবে tensorflow.js npm প্যাকেজ ইনস্টল এবং সেটআপ করবেন।
Node.js পরিবেশে প্রশিক্ষণ এবং পরীক্ষার ডেটা কীভাবে অ্যাক্সেস করবেন।
একটি Node.js সার্ভারে TensorFlow.js এর সাথে একটি মডেলকে কীভাবে প্রশিক্ষণ দেওয়া যায়।
একটি ক্লায়েন্ট/সার্ভার অ্যাপ্লিকেশনে অনুমানের জন্য প্রশিক্ষিত মডেলটি কীভাবে স্থাপন করবেন।

তাই শুরু করা যাক!

2. প্রয়োজনীয়তা

এই কোডল্যাবটি সম্পূর্ণ করতে আপনার প্রয়োজন হবে:

Chrome এর সাম্প্রতিক সংস্করণ বা অন্য আধুনিক ব্রাউজার।
আপনার মেশিনে স্থানীয়ভাবে চলমান একটি পাঠ্য সম্পাদক এবং কমান্ড টার্মিনাল।
HTML, CSS, JavaScript এবং Chrome DevTools (বা আপনার পছন্দের ব্রাউজার devtools) সম্পর্কে জ্ঞান।
নিউরাল নেটওয়ার্কগুলির একটি উচ্চ-স্তরের ধারণাগত বোঝাপড়া। আপনার যদি পরিচিতি বা রিফ্রেশারের প্রয়োজন হয়, তাহলে 3blue1brown-এর এই ভিডিওটি অথবা Ashi Krishnan-এর Javascript-এ ডিপ লার্নিং-এর এই ভিডিওটি দেখার কথা বিবেচনা করুন।

3. একটি Node.js অ্যাপ সেট আপ করুন

Node.js এবং npm ইনস্টল করুন। সমর্থিত প্ল্যাটফর্ম এবং নির্ভরতার জন্য, অনুগ্রহ করে tfjs-নোড ইনস্টলেশন গাইড দেখুন।

আমাদের Node.js অ্যাপের জন্য ./baseball নামে একটি ডিরেক্টরি তৈরি করুন। npm প্যাকেজ নির্ভরতা ( @tensorflow/tfjs-node npm প্যাকেজ সহ) কনফিগার করতে এই ডিরেক্টরিতে লিঙ্ক করা package.json এবং webpack.config.js কপি করুন। তারপর নির্ভরতা ইনস্টল করতে npm install চালান।

$ cd baseball
$ ls
package.json  webpack.config.js
$ npm install
...
$ ls
node_modules  package.json  package-lock.json  webpack.config.js

এখন আপনি কিছু কোড লিখতে এবং একটি মডেল প্রশিক্ষণের জন্য প্রস্তুত!

4. প্রশিক্ষণ এবং পরীক্ষার ডেটা সেটআপ করুন

আপনি নীচের লিঙ্কগুলি থেকে প্রশিক্ষণ এবং পরীক্ষার ডেটা CSV ফাইল হিসাবে ব্যবহার করবেন। এই ফাইলগুলিতে ডেটা ডাউনলোড এবং অন্বেষণ করুন:

pitch_type_training_data.csv

pitch_type_test_data.csv

আসুন কিছু নমুনা প্রশিক্ষণ ডেটা দেখি:

vx0,vy0,vz0,ax,ay,az,start_speed,left_handed_pitcher,pitch_code
7.69914900671662,-132.225686405648,-6.58357157666866,-22.5082591074995,28.3119270826735,-16.5850095967027,91.1,0,0
6.68052308575228,-134.215511616881,-6.35565979491619,-19.6602769147989,26.7031848314466,-14.3430602022656,92.4,0,0
2.56546504690782,-135.398673977074,-2.91657310799559,-14.7849950586111,27.8083916890792,-21.5737737390901,93.1,0,0

আটটি ইনপুট বৈশিষ্ট্য রয়েছে - পিচ সেন্সর ডেটা বর্ণনা করে:

বলের বেগ (vx0, vy0, vz0)
বল ত্বরণ (কুড়াল, ay, az)
পিচের শুরুর গতি
কলস বাম হাতে হোক বা না হোক

এবং একটি আউটপুট লেবেল:

পিচ_কোড যা সাতটি পিচ প্রকারের একটিকে নির্দেশ করে: Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball

লক্ষ্য হল এমন একটি মডেল তৈরি করা যা পিচ সেন্সর ডেটা প্রদত্ত পিচের ধরণ সম্পর্কে পূর্বাভাস দিতে সক্ষম।

মডেল তৈরি করার আগে, আপনাকে প্রশিক্ষণ এবং পরীক্ষার ডেটা প্রস্তুত করতে হবে। বেসবল/ডির-এ pitch_type.js ফাইলটি তৈরি করুন এবং নিচের কোডটি কপি করুন। এই কোড tf.data.csv API ব্যবহার করে প্রশিক্ষণ এবং পরীক্ষার ডেটা লোড করে। এটি একটি সর্বনিম্ন-সর্বোচ্চ স্বাভাবিককরণ স্কেল ব্যবহার করে ডেটা (যা সর্বদা সুপারিশ করা হয়) স্বাভাবিক করে।

const tf = require('@tensorflow/tfjs');

// util function to normalize a value between a given range.
function normalize(value, min, max) {
  if (min === undefined || max === undefined) {
    return value;
  }
  return (value - min) / (max - min);
}

// data can be loaded from URLs or local file paths when running in Node.js.
const TRAIN_DATA_PATH =
'https://storage.googleapis.com/mlb-pitch-data/pitch_type_training_data.csv';
const TEST_DATA_PATH =    'https://storage.googleapis.com/mlb-pitch-data/pitch_type_test_data.csv';

// Constants from training data
const VX0_MIN = -18.885;
const VX0_MAX = 18.065;
const VY0_MIN = -152.463;
const VY0_MAX = -86.374;
const VZ0_MIN = -15.5146078412997;
const VZ0_MAX = 9.974;
const AX_MIN = -48.0287647107959;
const AX_MAX = 30.592;
const AY_MIN = 9.397;
const AY_MAX = 49.18;
const AZ_MIN = -49.339;
const AZ_MAX = 2.95522851438373;
const START_SPEED_MIN = 59;
const START_SPEED_MAX = 104.4;

const NUM_PITCH_CLASSES = 7;
const TRAINING_DATA_LENGTH = 7000;
const TEST_DATA_LENGTH = 700;

// Converts a row from the CSV into features and labels.
// Each feature field is normalized within training data constants
const csvTransform =
    ({xs, ys}) => {
      const values = [
        normalize(xs.vx0, VX0_MIN, VX0_MAX),
        normalize(xs.vy0, VY0_MIN, VY0_MAX),
        normalize(xs.vz0, VZ0_MIN, VZ0_MAX), normalize(xs.ax, AX_MIN, AX_MAX),
        normalize(xs.ay, AY_MIN, AY_MAX), normalize(xs.az, AZ_MIN, AZ_MAX),
        normalize(xs.start_speed, START_SPEED_MIN, START_SPEED_MAX),
        xs.left_handed_pitcher
      ];
      return {xs: values, ys: ys.pitch_code};
    }

const trainingData =
    tf.data.csv(TRAIN_DATA_PATH, {columnConfigs: {pitch_code: {isLabel: true}}})
        .map(csvTransform)
        .shuffle(TRAINING_DATA_LENGTH)
        .batch(100);

// Load all training data in one batch to use for evaluation
const trainingValidationData =
    tf.data.csv(TRAIN_DATA_PATH, {columnConfigs: {pitch_code: {isLabel: true}}})
        .map(csvTransform)
        .batch(TRAINING_DATA_LENGTH);

// Load all test data in one batch to use for evaluation
const testValidationData =
    tf.data.csv(TEST_DATA_PATH, {columnConfigs: {pitch_code: {isLabel: true}}})
        .map(csvTransform)
        .batch(TEST_DATA_LENGTH);

5. পিচ ধরনের শ্রেণীবদ্ধ করার জন্য মডেল তৈরি করুন

এখন আপনি মডেল তৈরি করতে প্রস্তুত. ReLU অ্যাক্টিভেশন ইউনিট সমন্বিত 3টি লুকানো সম্পূর্ণ-সংযুক্ত স্তরের সাথে ইনপুটগুলি ([8] পিচ সেন্সর মানগুলির আকৃতি) সংযোগ করতে tf.layers API ব্যবহার করুন, তারপরে 7 ইউনিট সমন্বিত একটি সফটম্যাক্স আউটপুট স্তর, প্রতিটি আউটপুটের একটিকে প্রতিনিধিত্ব করে। পিচ ধরনের

অ্যাডাম অপ্টিমাইজার এবং স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি লস ফাংশন দিয়ে মডেলটিকে প্রশিক্ষণ দিন। এই পছন্দগুলি সম্পর্কে আরও তথ্যের জন্য, প্রশিক্ষণ মডেল নির্দেশিকা পড়ুন।

pitch_type.js এর শেষে নিম্নলিখিত কোড যোগ করুন:

const model = tf.sequential();
model.add(tf.layers.dense({units: 250, activation: 'relu', inputShape: [8]}));
model.add(tf.layers.dense({units: 175, activation: 'relu'}));
model.add(tf.layers.dense({units: 150, activation: 'relu'}));
model.add(tf.layers.dense({units: NUM_PITCH_CLASSES, activation: 'softmax'}));

model.compile({
  optimizer: tf.train.adam(),
  loss: 'sparseCategoricalCrossentropy',
  metrics: ['accuracy']
});

প্রধান সার্ভার কোড থেকে প্রশিক্ষণ ট্রিগার করুন যা আপনি পরে লিখবেন।

pitch_type.js মডিউলটি সম্পূর্ণ করতে, আসুন যাচাইকরণ এবং পরীক্ষার ডেটা সেট মূল্যায়ন করার জন্য একটি ফাংশন লিখি, একটি একক নমুনার জন্য একটি পিচের ধরন ভবিষ্যদ্বাণী করি এবং নির্ভুলতা মেট্রিক্স গণনা করি। pitch_type.js এর শেষে এই কোডটি যোগ করুন:

// Returns pitch class evaluation percentages for training data
// with an option to include test data
async function evaluate(useTestData) {
  let results = {};
  await trainingValidationData.forEachAsync(pitchTypeBatch => {
    const values = model.predict(pitchTypeBatch.xs).dataSync();
    const classSize = TRAINING_DATA_LENGTH / NUM_PITCH_CLASSES;
    for (let i = 0; i < NUM_PITCH_CLASSES; i++) {
      results[pitchFromClassNum(i)] = {
        training: calcPitchClassEval(i, classSize, values)
      };
    }
  });

  if (useTestData) {
    await testValidationData.forEachAsync(pitchTypeBatch => {
      const values = model.predict(pitchTypeBatch.xs).dataSync();
      const classSize = TEST_DATA_LENGTH / NUM_PITCH_CLASSES;
      for (let i = 0; i < NUM_PITCH_CLASSES; i++) {
        results[pitchFromClassNum(i)].validation =
            calcPitchClassEval(i, classSize, values);
      }
    });
  }
  return results;
}

async function predictSample(sample) {
  let result = model.predict(tf.tensor(sample, [1,sample.length])).arraySync();
  var maxValue = 0;
  var predictedPitch = 7;
  for (var i = 0; i < NUM_PITCH_CLASSES; i++) {
    if (result[0][i] > maxValue) {
      predictedPitch = i;
      maxValue = result[0][i];
    }
  }
  return pitchFromClassNum(predictedPitch);
}

// Determines accuracy evaluation for a given pitch class by index
function calcPitchClassEval(pitchIndex, classSize, values) {
  // Output has 7 different class values for each pitch, offset based on
  // which pitch class (ordered by i)
  let index = (pitchIndex * classSize * NUM_PITCH_CLASSES) + pitchIndex;
  let total = 0;
  for (let i = 0; i < classSize; i++) {
    total += values[index];
    index += NUM_PITCH_CLASSES;
  }
  return total / classSize;
}

// Returns the string value for Baseball pitch labels
function pitchFromClassNum(classNum) {
  switch (classNum) {
    case 0:
      return 'Fastball (2-seam)';
    case 1:
      return 'Fastball (4-seam)';
    case 2:
      return 'Fastball (sinker)';
    case 3:
      return 'Fastball (cutter)';
    case 4:
      return 'Slider';
    case 5:
      return 'Changeup';
    case 6:
      return 'Curveball';
    default:
      return 'Unknown';
  }
}

module.exports = {
  evaluate,
  model,
  pitchFromClassNum,
  predictSample,
  testValidationData,
  trainingData,
  TEST_DATA_LENGTH
}

6. সার্ভারে ট্রেনের মডেল

server.js নামে একটি নতুন ফাইলে মডেল প্রশিক্ষণ এবং মূল্যায়ন করার জন্য সার্ভার কোডটি লিখুন। প্রথমে, একটি HTTP সার্ভার তৈরি করুন এবং socket.io API ব্যবহার করে একটি দ্বিমুখী সকেট সংযোগ খুলুন। তারপর model.fitDataset API ব্যবহার করে মডেল প্রশিক্ষণ চালান, এবং আপনার আগে লেখা pitch_type.evaluate() পদ্ধতি ব্যবহার করে মডেলের নির্ভুলতা মূল্যায়ন করুন। 10টি পুনরাবৃত্তির জন্য প্রশিক্ষণ দিন এবং মূল্যায়ন করুন, কনসোলে মেট্রিক্স প্রিন্ট করুন।

নিচের কোডটি server.js এ কপি করুন:

require('@tensorflow/tfjs-node');

const http = require('http');
const socketio = require('socket.io');
const pitch_type = require('./pitch_type');

const TIMEOUT_BETWEEN_EPOCHS_MS = 500;
const PORT = 8001;

// util function to sleep for a given ms
function sleep(ms) {
  return new Promise(resolve => setTimeout(resolve, ms));
}

// Main function to start server, perform model training, and emit stats via the socket connection
async function run() {
  const port = process.env.PORT || PORT;
  const server = http.createServer();
  const io = socketio(server);

  server.listen(port, () => {
    console.log(`  > Running socket on port: ${port}`);
  });

  io.on('connection', (socket) => {
    socket.on('predictSample', async (sample) => {
      io.emit('predictResult', await pitch_type.predictSample(sample));
    });
  });

  let numTrainingIterations = 10;
  for (var i = 0; i < numTrainingIterations; i++) {
    console.log(`Training iteration : ${i+1} / ${numTrainingIterations}`);
    await pitch_type.model.fitDataset(pitch_type.trainingData, {epochs: 1});
    console.log('accuracyPerClass', await pitch_type.evaluate(true));
    await sleep(TIMEOUT_BETWEEN_EPOCHS_MS);
  }

  io.emit('trainingComplete', true);
}

run();

এই মুহুর্তে, আপনি সার্ভার চালানো এবং পরীক্ষা করার জন্য প্রস্তুত! আপনি এইরকম কিছু দেখতে পাবেন, সার্ভারের প্রতিটি পুনরাবৃত্তিতে একটি যুগের প্রশিক্ষণের সাথে (আপনি একটি কলের সাথে একাধিক যুগকে প্রশিক্ষণ দিতে model.fitDataset API ব্যবহার করতে পারেন)। আপনি যদি এই সময়ে কোনো ত্রুটির সম্মুখীন হন, অনুগ্রহ করে আপনার নোড এবং npm ইনস্টলেশন পরীক্ষা করুন।

$ npm run start-server
...
  > Running socket on port: 8001
Epoch 1 / 1
eta=0.0 ========================================================================================================>
2432ms 34741us/step - acc=0.429 loss=1.49

চলমান সার্ভার বন্ধ করতে Ctrl-C টাইপ করুন। আমরা পরবর্তী ধাপে এটি আবার চালাব।

7. ক্লায়েন্ট পৃষ্ঠা তৈরি করুন এবং কোড প্রদর্শন করুন

এখন যেহেতু সার্ভার প্রস্তুত, পরবর্তী ধাপে ক্লায়েন্ট কোড লিখতে হবে এবং সেটি ব্রাউজারে চলে। সার্ভারে মডেল ভবিষ্যদ্বাণী আহ্বান করতে এবং ফলাফল প্রদর্শন করতে একটি সাধারণ পৃষ্ঠা তৈরি করুন। এটি ক্লায়েন্ট/সার্ভার যোগাযোগের জন্য socket.io ব্যবহার করে।

প্রথমে, baseball/ ফোল্ডারে index.html তৈরি করুন:

<!doctype html>
<html>
  <head>
    <title>Pitch Training Accuracy</title>
  </head>
  <body>
    <h3 id="waiting-msg">Waiting for server...</h3>
    <p>
    <span style="font-size:16px" id="trainingStatus"></span>
    <p>
    <div id="predictContainer" style="font-size:16px;display:none">
      Sensor data: <span id="predictSample"></span>
      <button style="font-size:18px;padding:5px;margin-right:10px" id="predict-button">Predict Pitch</button><p>
      Predicted Pitch Type: <span style="font-weight:bold" id="predictResult"></span>
    </div>
    <script src="dist/bundle.js"></script>
    <style>
      html,
      body {
        font-family: Roboto, sans-serif;
        color: #5f6368;
      }
      body {
        background-color: rgb(248, 249, 250);
      }
    </style>
  </body>
</html>

তারপর নিচের কোডটি দিয়ে বেসবল/ ফোল্ডারে একটি নতুন ফাইল client.js তৈরি করুন:

import io from 'socket.io-client';
const predictContainer = document.getElementById('predictContainer');
const predictButton = document.getElementById('predict-button');

const socket =
    io('http://localhost:8001',
       {reconnectionDelay: 300, reconnectionDelayMax: 300});

const testSample = [2.668,-114.333,-1.908,4.786,25.707,-45.21,78,0]; // Curveball

predictButton.onclick = () => {
  predictButton.disabled = true;
  socket.emit('predictSample', testSample);
};

// functions to handle socket events
socket.on('connect', () => {
    document.getElementById('waiting-msg').style.display = 'none';
    document.getElementById('trainingStatus').innerHTML = 'Training in Progress';
});

socket.on('trainingComplete', () => {
  document.getElementById('trainingStatus').innerHTML = 'Training Complete';
  document.getElementById('predictSample').innerHTML = '[' + testSample.join(', ') + ']';
  predictContainer.style.display = 'block';
});

socket.on('predictResult', (result) => {
  plotPredictResult(result);
});

socket.on('disconnect', () => {
  document.getElementById('trainingStatus').innerHTML = '';
  predictContainer.style.display = 'none';
  document.getElementById('waiting-msg').style.display = 'block';
});

function plotPredictResult(result) {
  predictButton.disabled = false;
  document.getElementById('predictResult').innerHTML = result;
  console.log(result);
}

ক্লায়েন্ট একটি ভবিষ্যদ্বাণী বোতাম প্রদর্শন করতে trainingComplete সকেট বার্তা পরিচালনা করে। যখন এই বোতামটি ক্লিক করা হয়, ক্লায়েন্ট নমুনা সেন্সর ডেটা সহ একটি সকেট বার্তা পাঠায়। একটি predictResult বার্তা পাওয়ার পরে, এটি পৃষ্ঠায় পূর্বাভাস প্রদর্শন করে।

8. অ্যাপটি চালান

সম্পূর্ণ অ্যাপটি কার্যকর দেখতে সার্ভার এবং ক্লায়েন্ট উভয়ই চালান:

[In one terminal, run this first]
$ npm run start-client

[In another terminal, run this next]
$ npm run start-server

আপনার ব্রাউজারে ক্লায়েন্ট পৃষ্ঠা খুলুন ( http://localhost:8080 )। মডেল প্রশিক্ষণ শেষ হলে, পূর্বাভাস নমুনা বোতামে ক্লিক করুন। আপনি ব্রাউজারে প্রদর্শিত একটি ভবিষ্যদ্বাণী ফলাফল দেখতে হবে. পরীক্ষা CSV ফাইল থেকে কিছু উদাহরণ সহ নমুনা সেন্সর ডেটা পরিবর্তন করতে নির্দ্বিধায় এবং দেখুন মডেলটি কতটা সঠিকভাবে ভবিষ্যদ্বাণী করে।

9. আপনি কি শিখেছেন

এই কোডল্যাবে, আপনি TensorFlow.js ব্যবহার করে একটি সাধারণ মেশিন লার্নিং ওয়েব অ্যাপ্লিকেশন প্রয়োগ করেছেন। আপনি সেন্সর ডেটা থেকে বেসবল পিচের ধরন শ্রেণীবদ্ধ করার জন্য একটি কাস্টম মডেল প্রশিক্ষণ দিয়েছেন। আপনি সার্ভারে প্রশিক্ষণ চালানোর জন্য Node.js কোড লিখেছেন এবং ক্লায়েন্ট থেকে পাঠানো ডেটা ব্যবহার করে প্রশিক্ষিত মডেলে কল ইনফারেন্স করেছেন।

আপনি কীভাবে আপনার অ্যাপ্লিকেশনগুলিতে TensorFlow.js ব্যবহার করতে পারেন তা দেখতে কোড সহ আরও উদাহরণ এবং ডেমোর জন্য tensorflow.org/js- এ যেতে ভুলবেন না।