このページは Cloud Translation API によって翻訳されました。

Node.js での TensorFlow.js トレーニングの Codelab

1. はじめに

この Codelab では、JavaScript 用の強力で柔軟な ML ライブラリである TensorFlow.js を使用して、サーバーサイドで野球の投球タイプのトレーニングと分類を行う Node.js ウェブサーバーを構築する方法を学びます。ウェブアプリケーションを構築して、ピッチセンサーのデータからピッチのタイプを予測するモデルをトレーニングし、ウェブクライアントから予測を呼び出すようにします。この Codelab の完全に機能するバージョンは、tfjs-examples GitHub リポジトリにあります。

学習内容

Node.js で使用する tensorflow.js npm パッケージをインストールして設定する方法。
Node.js 環境でトレーニングデータとテストデータにアクセスする方法
Node.js サーバーで TensorFlow.js を使用してモデルをトレーニングする方法。
クライアント/サーバーアプリケーションで推論用のトレーニング済みモデルをデプロイする方法。

では始めましょう。

2. 要件

この Codelab を完了するには、以下が必要です。

Chrome の最新バージョンまたは他の最新のブラウザ。
マシンのローカルで実行されるテキストエディタとコマンドターミナル。
HTML、CSS、JavaScript、Chrome DevTools（または推奨ブラウザ開発ツール）に関する知識。
ニューラルネットワークの概要レベルの概念。概要の説明や復習が必要な場合は、3blue1brown によるこちらの動画または Ashi Krishnan による JavaScript のディープラーニングに関する動画をご覧ください。

3. Node.js アプリを設定する

Node.js と npm をインストールします。サポートされているプラットフォームと依存関係については、tfjs-node インストールガイドをご覧ください。

Node.js アプリ用に ./baseball という名前のディレクトリを作成します。リンクされている package.json と webpack.config.js をこのディレクトリにコピーして、npm パッケージの依存関係（@tensorflow/tfjs-node npm パッケージを含む）を構成します。次に、npm install を実行して依存関係をインストールします。

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

これで、コードを記述してモデルをトレーニングする準備が整いました。

4. トレーニングデータとテストデータを設定する

以下のリンクから、トレーニングデータとテストデータを CSV ファイルとして使用します。次のファイルのデータをダウンロードして探索します。

pitch_type_training_data.csv

pitch_type_test_data.csv

サンプルのトレーニングデータを見てみましょう。

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

ピッチセンサーのデータを説明する 8 つの入力特徴があります。

ボール速度（vx0、vy0、vz0）
ボールの加速度（ax、ay、az）
ピッチの開始速度
投手が左利きかどうか

1 つの出力ラベル:

7 つの提案タイプのいずれかを表す pitch_code: Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball

目標は、指定されたピッチセンサーデータからピッチタイプを予測できるモデルを構築することです。

モデルを作成する前に、トレーニングデータとテストデータを準備する必要があります。baseball/ dir に pick_type.js ファイルを作成し、次のコードをコピーします。このコードは、tf.data.csv API を使用してトレーニングデータとテストデータを読み込みます。また、最小 / 最大正規化スケールを使用してデータを正規化します（これは常に推奨です）。

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. 提案の種類を分類するモデルを作成する

これで、モデルを構築する準備が整いました。tf.layers API を使用して、入力（[8] のピッチセンサー値の形状）を ReLU 活性化ユニットからなる 3 つの隠れ全接続層と、それぞれが出力ピッチタイプの 1 つを表す 7 つのユニットからなる 1 つのソフトマックス出力層に接続します。

adam オプティマイザーと sparseCategoricalCrossentropy 損失関数を使用してモデルをトレーニングする。これらの選択肢の詳細については、トレーニングモデルのトレーニングガイドをご覧ください。

pick_type.js の末尾に次のコードを追加します。

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']
});

後で作成するメインサーバーのコードからトレーニングをトリガーします。

pick_type.js モジュールを完成させるために、検証用データセットとテスト用データセットを評価し、1 つのサンプルのピッチタイプを予測して、精度の指標を計算する関数を記述しましょう。以下のコードを pick_type.js の末尾に追加します。

// 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. サーバーでモデルをトレーニングする

server.js という新しいファイルに、モデルのトレーニングと評価を実行するサーバーコードを記述します。まず、HTTP サーバーを作成し、socket.io API を使用して双方向のソケット接続を開きます。次に、model.fitDataset API を使用してモデルのトレーニングを実行し、先ほど作成した pitch_type.evaluate() メソッドを使用してモデルの精度を評価します。10 回のイテレーションでトレーニングと評価を行い、指標をコンソールに出力する。

以下のコードを server.js にコピーします。

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();

これで、サーバーを実行してテストする準備が整いました。次に示すように、サーバーが反復処理ごとに 1 エポックをトレーニングすることがわかります（model.fitDataset API を使用して、1 回の呼び出しで複数のエポックをトレーニングすることもできます）。この時点でエラーが発生した場合は、ノードと npm のインストールを確認してください。

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

Ctrl+C キーを押して、実行中のサーバーを停止します。次のステップで再度実行します。

7. クライアントページと表示コードを作成する

サーバーの準備が完了したら、次はクライアントコードを記述します。コードはブラウザで実行されます。サーバーでモデル予測を呼び出して結果を表示するシンプルなページを作成します。クライアント/サーバー通信に socket.io を使用します。

まず、baseball/ フォルダに index.html を作成します。

<!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>

次に、baseball/ フォルダに、以下のコードを使用して client.js という新しいファイルを作成します。

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);
}

クライアントが trainingComplete ソケットメッセージを処理して予測ボタンを表示します。このボタンをクリックすると、クライアントはサンプルセンサーデータを含むソケットメッセージを送信します。predictResult メッセージを受信すると、ページに検索候補が表示されます。

8. アプリを実行する

サーバーとクライアントの両方を実行して、アプリの動作全体を確認します。

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

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

ブラウザでクライアントページ（http://localhost:8080）を開きます。モデルのトレーニングが完了したら、[予測サンプル] ボタンをクリックします。ブラウザに予測結果が表示されます。サンプルのセンサーデータを自由に変更して、テスト用 CSV ファイルのサンプルをいくつか加え、モデルがどの程度正確に予測するかを確認してください。

9. 学習した内容

この Codelab では、TensorFlow.js を使用して簡単な ML ウェブアプリケーションを実装しました。ここでは、センサーデータから野球の投球タイプを分類するカスタムモデルをトレーニングしました。サーバー上でトレーニングを実行し、クライアントから送信されたデータを使用してトレーニング済みモデルの推論を呼び出す Node.js コードを記述しました。

tensorflow.org/js にアクセスして、コードで TensorFlow.js を使用する方法を示すその他の例やデモをご覧ください。