Node.js कोडलैब में TensorFlow.js की ट्रेनिंग

1. परिचय

इस कोडलैब में, आपको Node.js वेब सर्वर बनाने का तरीका बताया जाएगा. इसकी मदद से, सर्वर-साइड पर बेसबॉल पिच के टाइप को ट्रेन और क्लासिफ़ाई किया जा सकता है. इसके लिए, TensorFlow.js का इस्तेमाल किया जाता है. यह JavaScript के लिए एक असरदार और फ़्लेक्सिबल मशीन लर्निंग लाइब्रेरी है. आपको एक वेब ऐप्लिकेशन बनाना होगा. इससे मॉडल को पिच सेंसर के डेटा से, पिच के टाइप का अनुमान लगाने के लिए ट्रेन किया जा सकेगा. साथ ही, वेब क्लाइंट से अनुमान लगाने की सुविधा को चालू किया जा सकेगा. इस Codelab का पूरी तरह से काम करने वाला वर्शन, tfjs-examples GitHub रिपॉज़िटरी में मौजूद है.

आपको क्या सीखने को मिलेगा

  • 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 की मदद से मॉडल को ट्रेन करने का तरीका.
  • क्लाइंट/सर्वर ऐप्लिकेशन में अनुमान के लिए, ट्रेन किए गए मॉडल को डिप्लॉय करने का तरीका.

तो चलिए, शुरू करते हैं!

2. ज़रूरी शर्तें

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

  1. Chrome या किसी अन्य मॉडर्न ब्राउज़र का नया वर्शन.
  2. आपकी मशीन पर टेक्स्ट एडिटर और कमांड टर्मिनल चल रहा हो.
  3. एचटीएमएल, सीएसएस, JavaScript, और Chrome DevTools (या आपके पसंदीदा ब्राउज़र के डेवलपर टूल) के बारे में जानकारी.
  4. न्यूरल नेटवर्क के बारे में बुनियादी जानकारी. अगर आपको इस बारे में जानकारी चाहिए या आपको इसे फिर से समझना है, तो 3blue1brown का यह वीडियो या आशी कृष्णन का JavaScript में डीप लर्निंग के बारे में यह वीडियो देखें.

3. Node.js ऐप्लिकेशन सेट अप करना

Node.js और npm इंस्टॉल करें. जिन प्लैटफ़ॉर्म पर tfjs-node काम करता है और इसकी ज़रूरी शर्तें जानने के लिए, कृपया tfjs-node को इंस्टॉल करने से जुड़ी गाइड देखें.

हमारे Node.js ऐप्लिकेशन के लिए, ./baseball नाम की डायरेक्ट्री बनाएं. npm पैकेज की डिपेंडेंसी (इसमें @tensorflow/tfjs-node npm पैकेज भी शामिल है) को कॉन्फ़िगर करने के लिए, लिंक की गई package.json और webpack.config.js को इस डायरेक्ट्री में कॉपी करें. इसके बाद, npm install चलाकर ज़रूरी सॉफ़्टवेयर इंस्टॉल करें.

$ 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 ट्रेन करने के लिए तैयार हैं!

4. ट्रेनिंग और टेस्ट डेटा सेट अप करना

आपको ट्रेनिंग और टेस्ट डेटा को नीचे दिए गए लिंक से CSV फ़ाइलों के तौर पर इस्तेमाल करना होगा. इन फ़ाइलों में मौजूद डेटा को डाउनलोड करें और एक्सप्लोर करें:

pitch_type_training_data.csv

pitch_type_test_data.csv

यहां ट्रेनिंग डेटा का एक सैंपल दिया गया है:

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

इसमें आठ इनपुट फ़ीचर हैं, जो पिच सेंसर के डेटा के बारे में बताती हैं:

  • गेंद की वेलोसिटी (vx0, vy0, vz0)
  • गेंद की रफ़्तार (ax, ay, az)
  • पिच की शुरुआती स्पीड
  • पिचर बाएं हाथ से गेंद फेंकता है या नहीं

और एक आउटपुट लेबल:

  • pitch_code, जो सात तरह की पिच में से किसी एक के बारे में बताता है: Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball

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

मॉडल बनाने से पहले, आपको ट्रेनिंग और टेस्ट डेटा तैयार करना होगा. baseball/ डायरेक्ट्री में pitch_type.js फ़ाइल बनाएं और उसमें यह कोड कॉपी करें. यह कोड, tf.data.csv API का इस्तेमाल करके ट्रेनिंग और टेस्ट डेटा लोड करता है. यह डेटा को भी सामान्य करता है. इसके लिए, यह कम से कम और ज़्यादा से ज़्यादा वैल्यू के बीच के अंतर को सामान्य करने वाले स्केल का इस्तेमाल करता है. ऐसा करना हमेशा बेहतर होता 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 टाइप को क्लासिफ़ाई करने के लिए मॉडल बनाना

अब मॉडल बनाया जा सकता है. इनपुट (पिच सेंसर की [8] वैल्यू का शेप) को ReLU ऐक्टिवेशन यूनिट वाली तीन हिडन फ़ुली-कनेक्टेड लेयर से कनेक्ट करने के लिए, tf.layers API का इस्तेमाल करें. इसके बाद, 7 यूनिट वाली एक सॉफ़्टमैक्स आउटपुट लेयर का इस्तेमाल करें. हर यूनिट, आउटपुट पिच टाइप में से किसी एक को दिखाती है.

मॉडल को ऐडम ऑप्टिमाइज़र और sparseCategoricalCrossentropy लॉस फ़ंक्शन की मदद से ट्रेन करें. इन विकल्पों के बारे में ज़्यादा जानने के लिए, ट्रेनिंग मॉडल गाइड पढ़ें.

pitch_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 को ट्रिगर करें. यह कोड आपको बाद में लिखना होगा.

pitch_type.js मॉड्यूल को पूरा करने के लिए, पुष्टि और टेस्ट डेटा सेट का आकलन करने, किसी एक सैंपल के लिए पिच टाइप का अनुमान लगाने, और सटीक मेट्रिक का हिसाब लगाने के लिए एक फ़ंक्शन लिखते हैं. इस कोड को pitch_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 मॉडल को ट्रेनिंग देना

server.js नाम की नई फ़ाइल में, मॉडल को ट्रेन करने और उसका आकलन करने के लिए सर्वर कोड लिखें. सबसे पहले, एक एचटीटीपी सर्वर बनाएं और socket.io API का इस्तेमाल करके, दोनों तरफ़ से डेटा ट्रांसफ़र करने वाला सॉकेट कनेक्शन खोलें. इसके बाद, model.fitDataset API का इस्तेमाल करके मॉडल ट्रेनिंग को लागू करें. साथ ही, मॉडल की सटीकता का आकलन करने के लिए, पहले लिखे गए pitch_type.evaluate() तरीके का इस्तेमाल करें. कंसोल पर मेट्रिक प्रिंट करके, 10 बार ट्रेनिंग दें और आकलन करें.

नीचे दिए गए कोड को server.js में 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 सर्वर को चलाया जा सकता है और उसकी जांच की जा सकती है! आपको कुछ इस तरह का आउटपुट दिखेगा. इसमें सर्वर, हर इटरेशन में एक इपॉक को ट्रेन करता है. हालांकि, एक कॉल में कई इपॉक को ट्रेन करने के लिए, model.fitDataset एपीआई का भी इस्तेमाल किया जा सकता है. अगर आपको इस समय कोई गड़बड़ी मिलती 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 टाइप करें. हम इसे अगले चरण में फिर से चलाएंगे.

7. क्लाइंट पेज बनाना और डिसप्ले कोड दिखाना

सर्वर तैयार हो जाने के बाद, अगला चरण क्लाइंट कोड लिखना है. यह कोड ब्राउज़र में चलता है. सर्वर पर मॉडल की मदद से अनुमान लगाने और नतीजे दिखाने के लिए, एक आसान पेज बनाएं. यह क्लाइंट/सर्वर कम्यूनिकेशन के लिए socket.io का इस्तेमाल करता है.

सबसे पहले, baseball/ 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, baseball/ फ़ोल्डर में client.js नाम की एक नई फ़ाइल बनाएं और उसमें यह कोड डालें:

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);
}

क्लाइंट, trainingComplete सॉकेट मैसेज को मैनेज करता है, ताकि अनुमान लगाने वाला बटन दिखाया जा सके. इस बटन पर क्लिक करने पर, क्लाइंट, सैंपल सेंसर डेटा के साथ सॉकेट मैसेज भेजता है. predictResult मैसेज मिलने पर, यह पेज पर अनुमान दिखाता है.

8. ऐप्लिकेशन चलाएं

ऐप्लिकेशन को पूरी तरह से काम करते हुए 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 में क्लाइंट पेज खोलें ( http://localhost:8080). मॉडल की ट्रेनिंग पूरी होने के बाद, सैंपल का अनुमान लगाएं बटन पर क्लिक करें. आपको ब्राउज़र में अनुमान का नतीजा दिखेगा. टेस्ट CSV फ़ाइल के कुछ उदाहरणों का इस्तेमाल करके, सेंसर के सैंपल डेटा में बदलाव करें. देखें कि मॉडल कितनी सटीक भविष्यवाणी करता है.

9. आपको क्या सीखने को मिला

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

ज़्यादा उदाहरण और कोड के साथ डेमो देखने के लिए, tensorflow.org/js पर जाएं. इससे आपको यह पता चलेगा कि अपने ऐप्लिकेशन में TensorFlow.js का इस्तेमाल कैसे किया जा सकता है.