1. Introdução
Neste codelab, você aprenderá a criar um servidor da Web Node.js para treinar e classificar tipos de arremessos de beisebol no lado do servidor usando o TensorFlow.js, uma biblioteca de machine learning avançada e flexível para JavaScript. Você vai criar um aplicativo da Web para treinar um modelo para prever o tipo de argumento de venda com base nos dados do sensor e para invocar a previsão de um cliente da Web. Uma versão completa deste codelab está no repositório tfjs-examples do GitHub.
O que você vai aprender
- Como instalar e configurar o pacote npm do tensorflow.js para uso com o Node.js.
- Como acessar dados de treinamento e teste no ambiente Node.js.
- Como treinar um modelo com o TensorFlow.js em um servidor Node.js.
- Como implantar o modelo treinado para inferência em um aplicativo cliente/servidor.
Então, vamos começar.
2. Requisitos
Para concluir este codelab, você vai precisar do seguinte:
- Uma versão recente do Chrome ou de outro navegador moderno.
- Um editor de texto e um terminal de comando em execução localmente na sua máquina.
- Conhecimento sobre HTML, CSS, JavaScript e Chrome DevTools (ou as DevTools do seu navegador preferido).
- Conhecimento conceitual de alto nível sobre redes neurais. Se você precisar de uma introdução ou revisão, assista a este vídeo da 3blue1brown ou este vídeo sobre aprendizado profundo em JavaScript de Ashi Krishnan (links em inglês).
3. Configurar um app Node.js
Instalar o Node.js e o npm. Para plataformas e dependências compatíveis, consulte o guia de instalação do tfjs-node.
Crie um diretório chamado ./baseball para nosso app Node.js. Copie o package.json e o webpack.config.js vinculados para esse diretório e configure as dependências do pacote npm (incluindo o pacote @tensorflow/tfjs-node). Em seguida, execute npm install para instalar as dependências.
$ cd baseball
$ ls
package.json webpack.config.js
$ npm install
...
$ ls
node_modules package.json package-lock.json webpack.config.js
Agora você já pode escrever códigos e treinar um modelo.
4. Configurar os dados de treinamento e teste
Você usará os dados de treinamento e teste como arquivos CSV dos links abaixo. Faça o download e analise os dados nestes arquivos:
Vamos conferir alguns dados de treinamento de amostra:
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
Há oito recursos de entrada que descrevem os dados do sensor de inclinação:
- velocidade da bola (vx0, vy0, vz0)
- aceleração da bola (ax, ay, az)
- velocidade inicial do tom
- se o arremessador é canhoto ou não
e um rótulo de saída:
- pitch_code que indica um dos sete tipos de pitch de venda:
Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball
O objetivo é criar um modelo capaz de prever o tipo de inclinação com base nos dados do sensor.
Antes de criar o modelo, você precisa preparar os dados de treinamento e teste. Crie o arquivo pitch_type.js no diretório baseball/ e copie o código a seguir nele. Esse código carrega dados de treinamento e teste usando a API tf.data.csv. Ela também normaliza os dados (o que é sempre recomendado) usando uma escala de normalização mín-máx.
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. Criar modelo para classificar tipos de argumentos de venda
Agora você já pode criar o modelo. Use a API tf.layers para conectar as entradas (forma de [8] valores do sensor de inclinação) a três camadas ocultas e totalmente conectadas que consistem em unidades de ativação ReLU, seguidas por uma camada de saída softmax com sete unidades, cada uma representando um dos tipos de inclinação de saída.
Treine o modelo com o otimizador adam e a função de perda sparseCategoricalCrossentropy. Para mais informações sobre essas opções, consulte o guia de modelos de treinamento.
Adicione o seguinte código ao final do pitch_type.js:
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']
});
Acione o treinamento usando o código do servidor principal que você vai escrever mais tarde.
Para concluir o módulo pitch_type.js, vamos criar uma função para avaliar o conjunto de dados de validação e teste, prever um tipo de argumento de venda para uma única amostra e calcular métricas de acurácia. Anexe este código ao final de pitch_type.js:
// 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. Treinar o modelo no servidor
Escreva o código do servidor para realizar o treinamento e a avaliação do modelo em um novo arquivo chamado server.js. Primeiro, crie um servidor HTTP e abra uma conexão de soquete bidirecional usando a API socket.io. Em seguida, execute o treinamento do modelo usando a API model.fitDataset e avalie a acurácia dele usando o método pitch_type.evaluate() que você criou anteriormente. Treine e avalie por 10 iterações, exibindo métricas no console.
Copie o código abaixo para server.js:
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();
Agora está tudo pronto para executar e testar o servidor. Você verá algo assim, com o servidor treinando um período em cada iteração. Também é possível usar a API model.fitDataset para treinar vários períodos com uma chamada. Se você encontrar algum erro nesse momento, verifique o nó e a instalação do npm.
$ npm run start-server
...
> Running socket on port: 8001
Epoch 1 / 1
eta=0.0 ========================================================================================================>
2432ms 34741us/step - acc=0.429 loss=1.49
Pressione Ctrl+C para interromper a execução do servidor. Ele será executado novamente na próxima etapa.
7. Criar página do cliente e código de exibição
Agora que o servidor está pronto, a próxima etapa é escrever o código do cliente, que será executado no navegador. Criar uma página simples para invocar a previsão do modelo no servidor e exibir o resultado. Ele usa socket.io para comunicação cliente/servidor.
Primeiro, crie index.html na pasta baseball/:
<!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>
Em seguida, crie um novo arquivo client.js na pasta "baseball/" com o código abaixo:
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);
}
O cliente processa a mensagem do soquete trainingComplete para exibir um botão de previsão. Quando esse botão é clicado, o cliente envia uma mensagem de soquete com os dados do sensor de amostra. Ao receber uma mensagem predictResult, ele mostra a previsão na página.
8. Executar o app
Execute o servidor e o cliente para ver o app completo em ação:
[In one terminal, run this first]
$ npm run start-client
[In another terminal, run this next]
$ npm run start-server
Abra a página do cliente no navegador ( http://localhost:8080). Quando o treinamento do modelo terminar, clique no botão Prever amostra. Um resultado da previsão vai aparecer no navegador. Fique à vontade para modificar os dados do sensor de amostra usando alguns exemplos do arquivo CSV de teste e conferir a precisão da previsão do modelo.
9. O que você aprendeu
Neste codelab, você implementou um aplicativo da Web simples de machine learning usando o TensorFlow.js. Você treinou um modelo personalizado para classificar tipos de arremessos de beisebol com base em dados do sensor. Você escreveu um código Node.js para executar o treinamento no servidor e chamar a inferência no modelo treinado usando dados enviados do cliente.
Acesse tensorflow.org/js para conferir mais exemplos e demonstrações com código para saber como usar o TensorFlow.js nos seus aplicativos.