1. 簡介
在本程式碼研究室中，您將瞭解如何建構 Node.js 網路伺服器，使用 TensorFlow.js (功能強大且彈性十足的 JavaScript 機器學習程式庫)，在伺服器端訓練及分類棒球投球類型。您將建構網路應用程式，訓練模型來預測音高感應器資料的音高類型，並從網路用戶端叫用預測功能。本程式碼研究室的完整運作版本位於 tfjs-examples GitHub 存放區。
課程內容
- 如何安裝及設定 tensorflow.js npm 套件，以便搭配 Node.js 使用。
- 如何在 Node.js 環境中存取訓練和測試資料。
- 如何在 Node.js 伺服器中，使用 TensorFlow.js 訓練模型。
- 如何在用戶端/伺服器應用程式中部署訓練好的模型，以進行推論。
現在就開始吧！
2. 需求條件
如要完成本程式碼研究室，您需要：
- 使用新版 Chrome 或其他新式瀏覽器。
- 在本機電腦上執行的文字編輯器和指令終端機。
- 熟悉 HTML、CSS、JavaScript 和 Chrome 開發人員工具 (或您偏好的瀏覽器開發人員工具)。
- 對類神經網路有高階概念性瞭解。如需簡介或複習，建議觀看 3blue1brown 的這部影片，或是 Ashi Krishnan 的這部 JavaScript 深度學習影片。
3. 設定 Node.js 應用程式
安裝 Node.js 和 npm。如需支援的平台和依附元件，請參閱 tfjs-node 安裝指南。
為 Node.js 應用程式建立 ./baseball 目錄。將連結的 package.json 和 webpack.config.js 複製到這個目錄，設定 npm 套件依附元件 (包括 @tensorflow/tfjs-node npm 套件)。然後執行 npm install 安裝依附元件。
$ cd baseball
$ ls
package.json webpack.config.js
$ npm install
...
$ ls
node_modules package.json package-lock.json webpack.config.js
現在您已準備好編寫程式碼並訓練模型！
4. 設定訓練和測試資料
您將使用下列連結中的訓練和測試資料做為 CSV 檔案。下載並探索這些檔案中的資料：
以下是一些訓練資料範例：
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
共有八項輸入特徵，用於描述音高感應器資料：
- 球速 (vx0、vy0、vz0)
- 球體加速度 (ax、ay、az)
- 投球的起始速度
- 投手是否為左撇子
和一個輸出標籤：
- pitch_code，代表七種音高類型之一：
Fastball (2-seam), Fastball (4-seam), Fastball (sinker), Fastball (cutter), Slider, Changeup, Curveball
目標是建構模型，根據投球感應器資料預測投球類型。
建立模型前，請先準備訓練和測試資料。在 baseball/ 目錄中建立 pitch_type.js 檔案，然後將下列程式碼複製到檔案中。這段程式碼會使用 tf.data.csv API 載入訓練和測試資料。此外，這項作業也會使用最小值與最大值正規化比例，將資料正規化 (一律建議這麼做)。
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. 建立模型來分類投球類型
現在可以開始建構模型。使用 tf.layers API 將輸入內容 (形狀為 [8] 的音高感應器值) 連接至 3 個隱藏的全連接層 (由 ReLU 啟動單元組成)，然後連接至 1 個由 7 個單元組成的 Softmax 輸出層，每個單元代表一種輸出音高類型。
使用 adam 最佳化器和 sparseCategoricalCrossentropy 損失函式訓練模型。如要進一步瞭解這些選項，請參閱訓練模型指南。
在 pitch_type.js 結尾新增下列程式碼：
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']
});
稍後您會編寫主要伺服器程式碼，並從中觸發訓練。
如要完成 pitch_type.js 模組，請編寫函式來評估驗證和測試資料集、預測單一樣本的投球類型，以及計算準確度指標。將這段程式碼附加至 pitch_type.js 結尾：
// 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. 在伺服器上訓練模型
在名為 server.js 的新檔案中，編寫伺服器程式碼來執行模型訓練和評估。首先，請建立 HTTP 伺服器，並使用 socket.io API 開啟雙向通訊端連線。接著使用 model.fitDataset API 執行模型訓練，並使用您先前編寫的 pitch_type.evaluate() 方法評估模型準確度。訓練及評估 10 次疊代，並將指標列印至控制台。
將下列程式碼複製到 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();
此時，您已準備好執行及測試伺服器！您應該會看到類似下方的內容，伺服器會在每次疊代中訓練一個週期 (您也可以使用 model.fitDataset API，透過一次呼叫訓練多個週期)。如果此時發生任何錯誤，請檢查節點和 npm 安裝作業。
$ npm run start-server
...
> Running socket on port: 8001
Epoch 1 / 1
eta=0.0 ========================================================================================================>
2432ms 34741us/step - acc=0.429 loss=1.49
輸入 Ctrl-C 即可停止執行中的伺服器。我們會在下一個步驟再次執行。
7. 建立用戶端網頁並顯示程式碼
伺服器準備就緒後，下一步就是編寫在瀏覽器中執行的用戶端程式碼。建立簡單的網頁，在伺服器上叫用模型預測功能，並顯示結果。這項功能會使用 socket.io 進行用戶端/伺服器通訊。
首先，在 baseball/ 資料夾中建立 index.html：
<!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>
接著，在 baseball/ 資料夾中建立新的 client.js 檔案，並加入下列程式碼：
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);
}
用戶端會處理 trainingComplete 通訊端訊息，顯示預測按鈕。點選這個按鈕後，用戶端會傳送含有感應器樣本資料的通訊端訊息。收到 predictResult 訊息後，頁面會顯示預測結果。
8. 執行應用程式
執行伺服器和用戶端，查看完整應用程式的運作情形：
[In one terminal, run this first]
$ npm run start-client
[In another terminal, run this next]
$ npm run start-server
在瀏覽器中開啟用戶端頁面 ( http://localhost:8080)。模型訓練完成後，按一下「Predict Sample」(預測樣本) 按鈕。瀏覽器中應該會顯示預測結果。歡迎使用測試 CSV 檔案中的一些範例修改感應器資料樣本，看看模型預測的準確度。
9. 您學到的內容
在本程式碼研究室中，您使用 TensorFlow.js 實作了簡單的機器學習網頁應用程式。您已訓練自訂模型，根據感應器資料分類棒球投球類型。您編寫了 Node.js 程式碼，在伺服器上執行訓練，並使用從用戶端傳送的資料，對訓練好的模型呼叫推論。
請務必前往 tensorflow.org/js，查看更多範例和示範，以及相關程式碼，瞭解如何在應用程式中使用 TensorFlow.js。