1. ভূমিকা
এই কোডল্যাবে, আপনি শিখবেন কিভাবে জাভাস্ক্রিপ্টের জন্য একটি শক্তিশালী এবং নমনীয় মেশিন লার্নিং লাইব্রেরি TensorFlow.js ব্যবহার করে সার্ভার-সাইডে বেসবল পিচের ধরণগুলিকে প্রশিক্ষণ এবং শ্রেণীবদ্ধ করার জন্য একটি Node.js ওয়েব সার্ভার তৈরি করতে হয়। আপনি পিচ সেন্সর ডেটা থেকে পিচের ধরণ পূর্বাভাস দেওয়ার জন্য একটি মডেলকে প্রশিক্ষণ দেওয়ার জন্য এবং একটি ওয়েব ক্লায়েন্ট থেকে ভবিষ্যদ্বাণী আহ্বান করার জন্য একটি ওয়েব অ্যাপ্লিকেশন তৈরি করবেন। এই কোডল্যাবের একটি সম্পূর্ণ কার্যকরী সংস্করণ tfjs-examples GitHub রেপোতে উপস্থিত রয়েছে।
তুমি কি শিখবে
- Node.js এর সাথে ব্যবহারের জন্য tensorflow.js npm প্যাকেজটি কীভাবে ইনস্টল এবং সেটআপ করবেন।
- Node.js পরিবেশে প্রশিক্ষণ এবং পরীক্ষার ডেটা কীভাবে অ্যাক্সেস করবেন।
- Node.js সার্ভারে TensorFlow.js ব্যবহার করে একটি মডেলকে কীভাবে প্রশিক্ষণ দেওয়া যায়।
- ক্লায়েন্ট/সার্ভার অ্যাপ্লিকেশনে অনুমানের জন্য প্রশিক্ষিত মডেলটি কীভাবে স্থাপন করবেন।
তাহলে শুরু করা যাক!
2. প্রয়োজনীয়তা
এই কোডল্যাবটি সম্পূর্ণ করতে, আপনার প্রয়োজন হবে:
- Chrome অথবা অন্য কোন আধুনিক ব্রাউজারের সাম্প্রতিক সংস্করণ।
- আপনার মেশিনে স্থানীয়ভাবে চলমান একটি টেক্সট এডিটর এবং কমান্ড টার্মিনাল।
- HTML, CSS, JavaScript, এবং Chrome DevTools (অথবা আপনার পছন্দের ব্রাউজার devtools) সম্পর্কে জ্ঞান থাকতে হবে।
- নিউরাল নেটওয়ার্ক সম্পর্কে উচ্চ-স্তরের ধারণাগত ধারণা। যদি আপনার ভূমিকা বা রিফ্রেশারের প্রয়োজন হয়, তাহলে 3blue1brown-এর এই ভিডিওটি অথবা Ashi Krishnan-এর জাভাস্ক্রিপ্টে গভীর শিক্ষার উপর এই ভিডিওটি দেখার কথা বিবেচনা করুন।
৩. একটি Node.js অ্যাপ সেট আপ করুন
Node.js এবং npm ইনস্টল করুন। সমর্থিত প্ল্যাটফর্ম এবং নির্ভরতার জন্য, অনুগ্রহ করে tfjs-node ইনস্টলেশন নির্দেশিকা দেখুন।
আমাদের Node.js অ্যাপের জন্য ./baseball নামে একটি ডিরেক্টরি তৈরি করুন। npm প্যাকেজ নির্ভরতা ( @tensorflow/tfjs-node npm প্যাকেজ সহ) কনফিগার করতে লিঙ্ক করা package.json এবং webpack.config.js এই ডিরেক্টরিতে 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 মডেলকে প্রশিক্ষণ দিতে প্রস্তুত!
৪. প্রশিক্ষণ এবং পরীক্ষার তথ্য সেটআপ করুন
আপনি নীচের লিঙ্কগুলি থেকে প্রশিক্ষণ এবং পরীক্ষার ডেটা CSV ফাইল হিসাবে ব্যবহার করবেন। এই ফাইলগুলিতে ডেটা ডাউনলোড করুন এবং অন্বেষণ করুন:
আসুন কিছু নমুনা প্রশিক্ষণ তথ্য 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 (কুঠার, অয়, অয)
- পিচের শুরুর গতি
- পিচার বামহাতি কিনা
এবং একটি আউটপুট লেবেল:
- পিচ_কোড যা সাত ধরণের পিচের মধ্যে একটিকে বোঝায়:
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 ভবিষ্যদ্বাণী করতে সক্ষম।
মডেল তৈরি করার আগে, আপনাকে প্রশিক্ষণ এবং পরীক্ষার ডেটা প্রস্তুত করতে হবে। বেসবল/ ডাইরেক্টরিতে pitch_type.js ফাইলটি তৈরি করুন এবং এতে নিম্নলিখিত কোডটি অনুলিপি করুন। এই কোডটি tf.data.csv API ব্যবহার করে প্রশিক্ষণ এবং পরীক্ষার ডেটা লোড করে। এটি ন্যূনতম-সর্বোচ্চ স্বাভাবিকীকরণ স্কেল ব্যবহার করে ডেটা স্বাভাবিক করে (যা সর্বদা সুপারিশ করা হয়)।
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);
৫. পিচের ধরণ শ্রেণীবদ্ধ করার জন্য মডেল তৈরি করুন
এখন তুমি মডেলটি তৈরি করতে প্রস্তুত। tf.layers API ব্যবহার করে ইনপুটগুলিকে ([8] পিচ সেন্সর মানের আকারে) 3টি লুকানো সম্পূর্ণ-সংযুক্ত স্তরের সাথে সংযুক্ত করুন যার মধ্যে ReLU অ্যাক্টিভেশন ইউনিট রয়েছে, তারপরে 7টি ইউনিট সমন্বিত একটি সফটম্যাক্স আউটপুট স্তর রয়েছে, প্রতিটি আউটপুট পিচ ধরণের একটি প্রতিনিধিত্ব করে।
মডেলটিকে অ্যাডাম অপ্টিমাইজার এবং স্পার্সক্যাটাগরিক্যালক্রসেন্ট্রপি লস ফাংশন দিয়ে প্রশিক্ষণ দিন। এই বিকল্পগুলি সম্পর্কে আরও তথ্যের জন্য, প্রশিক্ষণ মডেল নির্দেশিকাটি দেখুন।
pitch_type.js এর শেষে নিম্নলিখিত কোডটি 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']
});
আপনি পরে যে প্রধান সার্ভার কোডটি লিখবেন তা থেকে প্রশিক্ষণটি ট্রিগার করুন।
pitch_type.js মডিউলটি সম্পূর্ণ করার জন্য, আসুন একটি ফাংশন লিখি যা যাচাইকরণ এবং ডেটা সেট পরীক্ষা করে, একটি একক নমুনার জন্য একটি পিচের ধরণ পূর্বাভাস দেয় এবং নির্ভুলতা মেট্রিক্স গণনা করে। pitch_type.js এর শেষে এই কোডটি যুক্ত 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 ট্রেন মডেল
server.js নামক 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 কার্যকর করুন এবং আপনার আগে লেখা pitch_type.evaluate() পদ্ধতি ব্যবহার করে মডেলের নির্ভুলতা মূল্যায়ন করুন। কনসোলে মেট্রিক্স মুদ্রণ করে 10টি পুনরাবৃত্তির জন্য প্রশিক্ষণ এবং মূল্যায়ন 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 সার্ভারটি চালানোর এবং পরীক্ষা করার জন্য প্রস্তুত! আপনি এরকম কিছু দেখতে পাবেন, যেখানে সার্ভার প্রতিটি পুনরাবৃত্তিতে একটি পর্বকে প্রশিক্ষণ দেবে (আপনি একটি কলের মাধ্যমে একাধিক পর্বকে প্রশিক্ষণ দেওয়ার জন্য model.fitDataset API ব্যবহার করতে পারেন)। এই মুহুর্তে যদি আপনার কোনও ত্রুটি দেখা দেয়, তাহলে 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 সার্ভারটি বন্ধ করতে Ctrl-C টাইপ করুন। আমরা পরবর্তী ধাপে এটি আবার চালাবো।
৭. ক্লায়েন্ট পৃষ্ঠা তৈরি করুন এবং কোড প্রদর্শন করুন
এখন সার্ভার প্রস্তুত, পরবর্তী ধাপ হল ক্লায়েন্ট কোডটি লেখা এবং এটি ব্রাউজারে চালানো। সার্ভারে মডেল ভবিষ্যদ্বাণী চালু করার জন্য একটি সহজ পৃষ্ঠা তৈরি করুন এবং ফলাফলটি প্রদর্শন 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 ব্যবহার করে baseball/ ফোল্ডারে একটি নতুন client.js ফাইল 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 পূর্বাভাস বোতাম প্রদর্শনের জন্য 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।
৮. 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 পৃষ্ঠাটি খুলুন ( http://localhost:8080 )। মডেল প্রশিক্ষণ শেষ হলে, Predict Sample বোতামে ক্লিক করুন। আপনি ব্রাউজারে একটি Predict ফলাফল দেখতে পাবেন। পরীক্ষার CSV ফাইল থেকে কিছু উদাহরণ সহ নমুনা সেন্সর ডেটা পরিবর্তন করতে দ্বিধা করবেন না এবং দেখুন মডেলটি কতটা সঠিকভাবে ভবিষ্যদ্বাণী করে।
৯. তুমি যা শিখেছো
এই কোডল্যাবে, আপনি TensorFlow.js ব্যবহার করে একটি সহজ মেশিন লার্নিং ওয়েব অ্যাপ্লিকেশন বাস্তবায়ন করেছেন। সেন্সর ডেটা থেকে বেসবল পিচের ধরণ শ্রেণীবদ্ধ করার জন্য আপনি একটি কাস্টম মডেল প্রশিক্ষণ দিয়েছেন। আপনি সার্ভারে প্রশিক্ষণ কার্যকর করার জন্য Node.js কোড লিখেছেন এবং ক্লায়েন্ট থেকে প্রেরিত ডেটা ব্যবহার করে প্রশিক্ষিত মডেলের উপর অনুমান করেছেন।
আপনার অ্যাপ্লিকেশনগুলিতে TensorFlow.js কীভাবে ব্যবহার করবেন তা জানতে কোড সহ আরও উদাহরণ এবং ডেমোর জন্য tensorflow.org/js ভিজিট করতে ভুলবেন না।