Trenowanie TensorFlow.js w Node.js Codelab

1. Wprowadzenie

Z tego modułu dowiesz się, jak stworzyć serwer WWW w środowisku Node.js, który będzie trenować i klasyfikować rodzaje rzutów baseballowych po stronie serwera za pomocą TensorFlow.js – zaawansowanej i elastycznej biblioteki systemów uczących się dla JavaScriptu. Utworzysz aplikację internetową, która wytrenuje model do prognozowania typu nachylenia na podstawie danych z czujników nachylenia oraz do wywoływania prognoz z klienta internetowego. W repozytorium GitHub tfjs-examples znajduje się w pełni działająca wersja tego ćwiczenia z programowania.

Czego się nauczysz

  • Jak zainstalować i skonfigurować pakiet npm tensorflow.js do użytku z Node.js.
  • Jak uzyskać dostęp do danych treningowych i testowych w środowisku Node.js.
  • Jak wytrenować model z użyciem TensorFlow.js na serwerze Node.js.
  • Wdrażanie wytrenowanego modelu do wnioskowania w aplikacji klient-serwer.

Zaczynajmy!

2. Wymagania

Do ukończenia ćwiczenia z programowania potrzebne będą:

  1. Mieć najnowszą wersję Chrome lub innej nowoczesnej przeglądarki.
  2. Edytor tekstu i terminal poleceń działające lokalnie na komputerze.
  3. znajomość języków HTML, CSS, JavaScript i Narzędzi deweloperskich w Chrome (lub narzędzi deweloperskich preferowanych przez Ciebie w przeglądarce).
  4. Ogólne pojęcie pojęcie sieci neuronowych. Jeśli potrzebujesz wprowadzenia lub przypomnienia, możesz obejrzeć ten film 3blue1brown lub film o Deep Learning in JavaScript autorstwa Ashiego Krishnana.

3. Konfigurowanie aplikacji Node.js

Zainstaluj Node.js i npm. Informacje o obsługiwanych platformach i zależnościach znajdziesz w przewodniku instalacji węzła tfjs-node.

Utworzysz katalog o nazwie ./baseball dla naszej aplikacji Node.js. Skopiuj połączone pliki package.json i webpack.config.js do tego katalogu, aby skonfigurować zależności pakietu npm (w tym pakiet npm @tensorflow/tfjs-node). Następnie uruchom 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

Teraz możesz napisać kod i wytrenować model.

4. Konfiguracja danych treningowych i testowych

Danych treningowych i testowych użyjesz jako plików CSV dostępnych po kliknięciu poniższych linków. Pobierz i przejrzyj dane zawarte w tych plikach:

pitch_type_training_data.csv

pitch_type_test_data.csv

Spójrzmy na przykładowe dane treningowe:

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 funkcji wejściowych, które opisują dane z czujnika tonu:

  • prędkość kuli (vx0, vy0, vz0)
  • przyspieszenie kulki (ax, ay, az)
  • początkowa prędkość rzutu
  • niezależnie od tego, czy miotacz jest leworęczny, czy nie

i 1 etykieta wyjściowa:

  • pit_code, który oznacza jeden z 7 typów sugestii: Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball

Celem jest zbudowanie modelu, który jest w stanie przewidzieć typ nachylenia na podstawie danych z czujnika wysokości.

Zanim utworzysz model, musisz przygotować dane treningowe i testowe. Utwórz plik Pitch_type.js w katalogu baseballowym/ dir i skopiuj do niego następujący kod. Wczytuje on dane treningowe i testowe za pomocą interfejsu API tf.data.csv. Normalizuje też dane (co zawsze jest zalecane) przy użyciu skali normalizacji od minimalnej do maksymalnej.

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. Utwórz model do klasyfikowania rodzajów sugestii

Teraz możesz utworzyć model. Użyj interfejsu API tf.layers, aby połączyć dane wejściowe (kształt wartości czujnika tonacji [8]) z 3 ukrytymi w pełni połączonymi warstwami składającymi się z jednostek aktywacji ReLU, a następnie jedną warstwą wyjściową softmax składającą się z 7 jednostek, z których każda reprezentuje jeden z typów tonacji wyjściowej.

Wytrenuj model z optymalizatorem adam i funkcją rozproszonej stratyCategorical Crossentropia. Więcej informacji o tych opcjach znajdziesz w przewodniku po modelach trenowania.

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 za pomocą kodu serwera głównego, który napiszesz później.

Aby zakończyć moduł Pitch_type.js, napiszmy funkcję oceniającą zbiór danych walidacyjnych i testowych, prognozuje typ sugestii dla pojedynczej próbki oraz obliczamy dane dokładności. Dołącz 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. Wytrenuj model na serwerze

Napisz kod serwera w nowym pliku o nazwie server.js, aby trenować i oceniać model. Najpierw utwórz serwer HTTP i otwórz dwukierunkowe połączenie gniazda, korzystając z interfejsu API socket.io. Następnie przeprowadź trenowanie modelu za pomocą interfejsu API model.fitDataset i oceń dokładność modelu za pomocą napisanej wcześniej metody pitch_type.evaluate(). Wytrenuj i oceń 10 iteracji oraz wyświetl wskaźniki 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();

W tym momencie możesz uruchomić i przetestować serwer. Powinno to wyglądać mniej więcej tak, ponieważ serwer trenuje jedną epokę w każdej iteracji (możesz też użyć interfejsu API model.fitDataset do trenowania wielu epok za pomocą jednego wywołania). Jeśli napotkasz na tym etapie 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

Naciśnij klawisze Ctrl+C, aby zatrzymać działający serwer. Uruchomimy go ponownie w następnym kroku.

7. Utwórz stronę klienta i wyświetl kod

Gdy serwer jest gotowy, kolejnym krokiem jest napisanie kodu klienta, który będzie uruchamiany w przeglądarce. Utwórz prostą stronę do wywoływania prognozy modelu na serwerze i wyświetlenia wyniku. Do komunikacji klient-serwer służy 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 utwórz nowy plik client.js w folderze baseballowym 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 komunikat gniazda trainingComplete, aby wyświetlić przycisk prognozowania. Po kliknięciu tego przycisku klient wysyła komunikat gniazda z przykładowymi danymi z czujnika. Po otrzymaniu komunikatu predictResult podpowiedź wyświetla się na stronie.

8. Uruchom aplikację

Uruchom serwer i klienta, aby zobaczyć pełną aplikację w akcji:

[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 Prognozuj próbkę. Wynik podpowiedzi powinien się wyświetlić w przeglądarce. Możesz zmienić przykładowe dane z czujników, korzystając z przykładów z testowego pliku CSV, i sprawdzić, jak dokładnie prognozuje model.

9. Zdobyte informacje

W ramach tego ćwiczenia z programowania wdrożyłeś(-aś) prostą aplikację internetową opartą na uczeniu maszynowym za pomocą TensorFlow.js. Udało Ci się wytrenować własny model do klasyfikowania rodzajów rzutów baseballowych na podstawie danych z czujników. Udało Ci się napisać kod Node.js do wykonywania trenowania na serwerze i wywoływania wnioskowania na podstawie wytrenowanego modelu z wykorzystaniem danych wysłanych przez klienta.

Więcej przykładów i prezentacji z kodem znajdziesz na stronie tensorflow.org/js, gdzie dowiesz się, jak wykorzystać TensorFlow.js w swoich aplikacjach.