इस पेज का अनुवाद Cloud Translation API से किया गया है.

Node.js कोडलैब में TensorFlow.js की ट्रेनिंग

1. परिचय

इस कोडलैब में, आपको Node.js वेब सर्वर बनाने का तरीका बताया गया है. इसकी मदद से, सर्वर साइड पर बेसबॉल पिच के टाइप को ट्रेनिंग और कैटगरी में बांटा जा सकता है. इसके लिए, आपको TensorFlow.js का इस्तेमाल करना होगा. यह JavaScript के लिए एक असरदार और सुविधाजनक मशीन लर्निंग लाइब्रेरी है. पिच सेंसर डेटा से पिच के टाइप का अनुमान लगाने और वेब क्लाइंट से अनुमान शुरू करने के लिए, मॉडल को ट्रेनिंग दी जाएगी. इसके लिए, आपको एक वेब ऐप्लिकेशन बनाना होगा. इस कोडलैब का पूरी तरह से काम करने वाला वर्शन, tfjs-examples GitHub रेपो में मौजूद है.

आप इन चीज़ों के बारे में जानेंगे

Node.js के साथ इस्तेमाल करने के लिए tensorflow.js npm पैकेज को इंस्टॉल और सेटअप करने का तरीका.
Node.js एनवायरमेंट में ट्रेनिंग और टेस्ट डेटा को ऐक्सेस करने का तरीका.
Node.js सर्वर में TensorFlow.js के साथ मॉडल को ट्रेनिंग देने का तरीका.
किसी क्लाइंट/सर्वर ऐप्लिकेशन में, अनुमान लगाने के लिए ट्रेन किए गए मॉडल को डिप्लॉय करने का तरीका.

आइए, शुरू करते हैं!

2. ज़रूरी शर्तें

इस कोडलैब को पूरा करने के लिए, आपको इनकी ज़रूरत होगी:

Chrome या किसी अन्य मॉडर्न ब्राउज़र का नया वर्शन.
आपकी मशीन पर, स्थानीय तौर पर चल रहा एक टेक्स्ट एडिटर और कमांड टर्मिनल.
एचटीएमएल, सीएसएस, JavaScript, और Chrome DevTools (या आपके पसंदीदा ब्राउज़र Devtools) के बारे में जानकारी.
न्यूरल नेटवर्क के बारे में सैद्धांतिक समझ. अगर आपको कोई परिचय या रीफ़्रेशर चाहिए, तो 3blue1brown का यह वीडियो या JavaScript में डीप लर्निंग के बारे में आशी कृष्णन का यह वीडियो देखें.

3. Node.js ऐप्लिकेशन सेट अप करना

Node.js और npm इंस्टॉल करें. काम करने वाले प्लैटफ़ॉर्म और डिपेंडेंसी के लिए, कृपया tfjs-node इंस्टॉल करने से जुड़ी गाइड देखें.

हमारे Node.js ऐप्लिकेशन के लिए, ./baseball नाम की डायरेक्ट्री बनाएं. npm पैकेज डिपेंडेंसी (@tensorflow/tfjs-node npm पैकेज सहित) को कॉन्फ़िगर करने के लिए, लिंक किए गए package.json और webpack.config.js को इस डायरेक्ट्री में कॉपी करें. इसके बाद, डिपेंडेंसी इंस्टॉल करने के लिए npm install पर जाएं.

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

अब आप कुछ कोड लिखने और मॉडल को ट्रेनिंग देने के लिए तैयार हैं!

4. ट्रेनिंग और टेस्ट डेटा सेट अप करना

यहां दिए गए लिंक से, ट्रेनिंग और टेस्ट डेटा को CSV फ़ाइलों के तौर पर इस्तेमाल किया जाएगा. इन फ़ाइलों में मौजूद डेटा डाउनलोड करें और उसके बारे में ज़्यादा जानें:

pitch_type_training_data.csv

pitch_type_test_data.csv

आइए, ट्रेनिंग से जुड़े कुछ डेटा पर नज़र डालें:

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

पिच सेंसर डेटा के बारे में बताने वाली आठ इनपुट सुविधाएं हैं:

गेंद की वेलोसिटी (vx0, vy0, vz0)
बॉल की रफ़्तार (ax, ay, az)
पिच की शुरुआती रफ़्तार
भले ही घड़ियाल बाएं हाथ में हो या नहीं

और एक आउटपुट लेबल:

पिच_कोड, जो सात पिच टाइप में से किसी एक को दिखाता है: Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball

इसका मकसद एक ऐसा मॉडल बनाना है जो पिच सेंसर डेटा के आधार पर, पिच टाइप का अनुमान लगा सके.

मॉडल बनाने से पहले, आपको ट्रेनिंग और टेस्ट डेटा तैयार करना होगा. बेसबॉल/ dit में find_type.js फ़ाइल बनाएं और यहां दिए गए कोड को इसमें कॉपी करें. यह कोड, tf.data.csv एपीआई का इस्तेमाल करके, ट्रेनिंग और टेस्ट डेटा लोड करता है. यह सबसे कम वैल्यू वाले नॉर्मलाइज़ेशन स्केल का इस्तेमाल करके, डेटा को नॉर्मलाइज़ भी करता है (जिसकी हमेशा सलाह दी जाती है).

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. पिच प्रकारों को अलग-अलग करने के लिए मॉडल बनाएं

अब आप मॉडल बनाने के लिए तैयार हैं. इनपुट ([8] पिच सेंसर की वैल्यू के आकार) को, पूरी तरह से जुड़ी हुई तीन छिपी हुई लेयर से कनेक्ट करने के लिए, tf.layers एपीआई का इस्तेमाल करें. इन लेयर में, ReLU ऐक्टिवेशन यूनिट होती हैं. इसके बाद, एक सॉफ़्टमैक्स आउटपुट लेयर होती है, जिसमें सात यूनिट होती हैं. हर लेयर, आउटपुट पिच के टाइप में से एक को दिखाती है.

मॉडल को adam ऑप्टिमाइज़र और sparseCategorical Crossentropy लॉस फ़ंक्शन को ट्रेनिंग दें. इन विकल्पों के बारे में ज़्यादा जानकारी के लिए, ट्रेनिंग मॉडल गाइड देखें.

play_type.js के आखिर में यह कोड जोड़ें:

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']
});

मुख्य सर्वर कोड से ट्रेनिंग ट्रिगर करें, जिसे बाद में लिखें.

पिच_type.js मॉड्यूल को पूरा करने के लिए, आइए पुष्टि करने और डेटा सेट की जांच करने के लिए एक फ़ंक्शन लिखें, किसी एक सैंपल के लिए पिच टाइप का अनुमान लगाएं, और सटीक मेट्रिक का हिसाब लगाएं. इस कोड को push_type.js के आखिर में जोड़ें:

// 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. सर्वर पर ट्रेन का मॉडल

Server.js नाम की एक नई फ़ाइल में मॉडल ट्रेनिंग और आकलन करने के लिए, सर्वर कोड लिखें. सबसे पहले, एक एचटीटीपी सर्वर बनाएं और सॉकेट.io (एपीआई) का इस्तेमाल करके दो-तरफ़ा सॉकेट कनेक्शन खोलें. इसके बाद, model.fitDataset एपीआई का इस्तेमाल करके मॉडल ट्रेनिंग दें. साथ ही, पहले लिखे गए pitch_type.evaluate() तरीके से मॉडल की सटीक जानकारी का आकलन करें. कंसोल पर मेट्रिक प्रिंट करते समय, 10 बार फिर से काम करने के लिए ट्रेनिंग दें और उनका आकलन करें.

नीचे दिए गए कोड को Server.js पर कॉपी करें:

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();

अब आप सर्वर चलाने और उसकी जांच करने के लिए तैयार हैं! ऐसा होने पर, सर्वर हर इटरेशन में एक epoch को ट्रेनिंग दे सकता है. एक कॉल के साथ कई epoch को ट्रेनिंग देने के लिए, model.fitDataset एपीआई का इस्तेमाल भी किया जा सकता है. अगर इस समय आपको किसी गड़बड़ी का सामना करना पड़ता है, तो कृपया अपने नोड और npm इंस्टॉलेशन की जांच करें.

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

चल रहे सर्वर को रोकने के लिए Ctrl-C लिखें. हम अगले चरण में इसे फिर से चलाएंगे.

7. क्लाइंट पेज और डिसप्ले कोड बनाएं

अब जब सर्वर तैयार है, तो अगला चरण क्लाइंट कोड लिखना है जो ब्राउज़र में चलता है. सर्वर पर मॉडल अनुमान शुरू करने और नतीजा दिखाने के लिए एक आसान पेज बनाएं. यह क्लाइंट/सर्वर संचार के लिए सॉकेट.io का उपयोग करता है.

सबसे पहले, बेसबॉल/ फ़ोल्डर में index.html बनाएं:

<!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>

इसके बाद, नीचे दिए गए कोड की मदद से, बेसबॉल/ फ़ोल्डर में एक नई client.js फ़ाइल बनाएं:

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);
}

पूर्वानुमान बटन दिखाने के लिए क्लाइंट, trainingComplete सॉकेट मैसेज को हैंडल करता है. जब इस बटन को क्लिक किया जाता है, तो क्लाइंट नमूना सेंसर डेटा के साथ एक सॉकेट संदेश भेजता है. predictResult मैसेज मिलने पर, यह पेज पर सुझाव दिखाता है.

8. ऐप्लिकेशन चलाएं

पूरे ऐप्लिकेशन को काम करते देखने के लिए सर्वर और क्लाइंट, दोनों को चलाएं:

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

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

अपने ब्राउज़र ( http://localhost:8080) में क्लाइंट पेज खोलें. मॉडल ट्रेनिंग पूरी होने के बाद, सैंपल का अनुमान लगाएं बटन पर क्लिक करें. आपको ब्राउज़र में सुझाव के तौर पर एक नतीजा दिखेगा. टेस्ट CSV फ़ाइल के कुछ उदाहरणों की मदद से, सैंपल सेंसर डेटा में बदलाव करें. साथ ही, देखें कि मॉडल कितना सटीक अनुमान लगाता है.

9. आपने क्या सीखा

इस कोडलैब में, आपने TensorFlow.js का इस्तेमाल करके, एक आसान मशीन लर्निंग वेब ऐप्लिकेशन लागू किया है. आपने सेंसर डेटा से बेसबॉल पिच के टाइप को कैटगरी में बांटने के लिए, एक कस्टम मॉडल को ट्रेनिंग दी है. आपने सर्वर पर ट्रेनिंग देने के लिए Node.js कोड लिखा है और क्लाइंट से भेजे गए डेटा का इस्तेमाल करके ट्रेन किए गए मॉडल पर अनुमान को कॉल किया है.

अपने ऐप्लिकेशन में TensorFlow.js का इस्तेमाल कैसे किया जा सकता है, यह जानने के लिए कोड के साथ ज़्यादा उदाहरणों और डेमो के लिए tensorflow.org/js पर जाएं.