1. Wprowadzenie
Z tego Codelabu dowiesz się, jak utworzyć serwer WWW Node.js do trenowania i klasyfikowania typów rzutów w baseballu po stronie serwera za pomocą TensorFlow.js, zaawansowanej i elastycznej biblioteki uczenia maszynowego dla JavaScriptu. Utworzysz aplikację internetową, która będzie trenować model do przewidywania rodzaju rzutu na podstawie danych z czujnika rzutu i wywoływać prognozy z klienta internetowego. W pełni działająca wersja tego ćwiczenia jest dostępna w repozytorium GitHub tfjs-examples.
Czego się nauczysz
- Jak zainstalować i skonfigurować pakiet npm tensorflow.js do użycia z Node.js.
- Jak uzyskać dostęp do danych treningowych i testowych w środowisku Node.js.
- Jak wytrenować model za pomocą TensorFlow.js na serwerze Node.js.
- Jak wdrożyć wytrenowany model do wnioskowania w aplikacji klient-serwer.
Zaczynajmy!
2. Wymagania
Aby ukończyć to ćwiczenie, potrzebujesz:
- Najnowsza wersja Chrome lub innej nowoczesnej przeglądarki.
- Edytor tekstu i terminal poleceń działające lokalnie na Twoim komputerze.
- Znajomość HTML-a, CSS-a, JavaScriptu i Narzędzi deweloperskich w Chrome (lub narzędzi deweloperskich w innej przeglądarce).
- ogólne pojęcie sieci neuronowych; Jeśli potrzebujesz wprowadzenia lub przypomnienia, obejrzyj ten film 3blue1brown lub ten film Ashiego Krishnana o uczeniu głębokim w JavaScript.
3. Konfigurowanie aplikacji Node.js
Zainstaluj Node.js i npm. Listę obsługiwanych platform i zależności znajdziesz w przewodniku instalacji tfjs-node.
Utwórz katalog o nazwie ./baseball dla aplikacji Node.js. Skopiuj do niego połączone pliki package.json i webpack.config.js, aby skonfigurować zależności pakietu npm (w tym pakiet npm @tensorflow/tfjs-node). Następnie uruchom polecenie npm install, aby zainstalować zależności.
$ cd baseball
$ ls
package.json webpack.config.js
$ npm install
...
$ ls
node_modules package.json package-lock.json webpack.config.js
Możesz już napisać kod i wytrenować model.
4. Konfigurowanie danych treningowych i testowych
Będziesz używać danych treningowych i testowych w postaci plików CSV z linków poniżej. Pobierz i przejrzyj dane w tych plikach:
Przyjrzyjmy się przykładowym danym treningowym:
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
Jest 8 cech wejściowych opisujących dane z czujnika nachylenia:
- prędkość piłki (vx0, vy0, vz0),
- przyspieszenie piłki (ax, ay, az),
- początkowa prędkość zmiany wysokości dźwięku,
- czy miotacz jest leworęczny,
i 1 etykietę wyjściową:
- pitch_code, który oznacza jeden z 7 rodzajów boiska:
Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball
Celem jest utworzenie modelu, który na podstawie danych z czujnika rzutu będzie w stanie przewidzieć typ rzutu.
Zanim utworzysz model, musisz przygotować dane treningowe i testowe. Utwórz plik pitch_type.js w katalogu baseball/ i skopiuj do niego ten kod. Ten kod wczytuje dane treningowe i testowe za pomocą interfejsu API tf.data.csv. Normalizuje też dane (co jest zawsze zalecane) za pomocą skali normalizacji min-maks.
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. Tworzenie modelu do klasyfikowania rodzajów rzutów
Teraz możesz utworzyć model. Użyj interfejsu tf.layers API, aby połączyć dane wejściowe (wartości czujnika wysokości dźwięku o kształcie [8]) z 3 ukrytymi, w pełni połączonymi warstwami składającymi się z jednostek aktywacji ReLU, a następnie z 1 warstwą wyjściową softmax składającą się z 7 jednostek, z których każda reprezentuje jeden z typów wysokości dźwięku.
Wytrenuj model za pomocą optymalizatora adam i funkcji straty sparseCategoricalCrossentropy. Więcej informacji o tych wyborach znajdziesz w przewodniku po trenowaniu modeli.
Dodaj ten kod na końcu pliku 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']
});
Uruchom trenowanie z kodu serwera głównego, który napiszesz później.
Aby ukończyć moduł pitch_type.js, napiszemy funkcję, która oceni zbiór danych weryfikacyjnych i testowych, przewidzi typ rzutu dla pojedynczej próbki i obliczy wskaźniki dokładności. Dodaj ten kod na końcu pliku 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. Trenowanie modelu na serwerze
Napisz kod serwera, aby przeprowadzić trenowanie i ocenę modelu w nowym pliku o nazwie server.js. Najpierw utwórz serwer HTTP i otwórz dwukierunkowe połączenie gniazda za pomocą interfejsu Socket.IO API. Następnie przeprowadź trenowanie modelu za pomocą interfejsu API model.fitDataset i oceń dokładność modelu za pomocą metody pitch_type.evaluate(), którą napisaliśmy wcześniej. Trenuj i oceniaj model przez 10 iteracji, wyświetlając dane w konsoli.
Skopiuj poniższy kod do pliku 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();
Na tym etapie możesz uruchomić i przetestować serwer. Powinno się wyświetlić coś takiego, gdzie serwer trenuje 1 epokę w każdej iteracji (możesz też użyć interfejsu model.fitDataset API, aby trenować wiele epok za pomocą jednego wywołania). Jeśli na tym etapie wystąpią błędy, sprawdź instalację węzła i 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
Aby zatrzymać działający serwer, naciśnij Ctrl-C. Uruchomimy go ponownie w następnym kroku.
7. Tworzenie strony klienta i wyświetlanie kodu
Serwer jest już gotowy, więc następnym krokiem jest napisanie kodu klienta, który będzie działać w przeglądarce. Utwórz prostą stronę, która będzie wywoływać prognozowanie modelu na serwerze i wyświetlać wynik. Do komunikacji między klientem a serwerem używa ona biblioteki socket.io.
Najpierw utwórz plik index.html w folderze 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>
Następnie w folderze baseball/ utwórz nowy plik client.js z tym kodem:
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);
}
Klient obsługuje trainingComplete wiadomość gniazda, aby wyświetlić przycisk prognozy. Po kliknięciu tego przycisku klient wysyła wiadomość gniazda z przykładowymi danymi z czujnika. Po otrzymaniu predictResult wiadomości wyświetla prognozę na stronie.
8. Uruchamianie aplikacji
Uruchom serwer i klienta, aby zobaczyć działanie pełnej aplikacji:
[In one terminal, run this first]
$ npm run start-client
[In another terminal, run this next]
$ npm run start-server
Otwórz stronę klienta w przeglądarce ( http://localhost:8080). Po zakończeniu trenowania modelu kliknij przycisk Predict Sample (Przewiduj próbkę). W przeglądarce powinien się wyświetlić wynik prognozy. Możesz zmodyfikować przykładowe dane z czujnika, dodając do nich przykłady z testowego pliku CSV, i sprawdzić, jak dokładnie model dokonuje prognoz.
9. Czego się dowiedziałeś
W ramach tych ćwiczeń z programowania utworzyliśmy prostą aplikację internetową do uczenia maszynowego za pomocą TensorFlow.js. Wytrenowano model niestandardowy do klasyfikowania rodzajów rzutów w baseballu na podstawie danych z czujników. Napiszesz kod w Node.js, aby przeprowadzić trenowanie na serwerze i wywołać wnioskowanie na wytrenowanym modelu przy użyciu danych wysłanych przez klienta.
Więcej przykładów i demonstracji z kodem pokazującym, jak używać TensorFlow.js w aplikacjach, znajdziesz na stronie tensorflow.org/js.