TensorFlow.js：重新訓練垃圾留言偵測模型來處理極端情況

1. 事前準備

本程式碼研究室是以本系列先前程式碼研究室的最終結果為基礎，使用 TensorFlow.js 偵測垃圾留言。

在上一個程式碼研究室中，您為虛構的影音網誌建立了功能齊全的網頁。在將留言傳送至伺服器儲存以供儲存或其他已連結的用戶端之前，你能先篩選垃圾留言，方法是在瀏覽器中使用採用 TensorFlow.js 的預先訓練垃圾留言偵測模型。

本程式碼研究室最終結果如下：

a4511e5d445706b1.gif

雖然這種做法看起來非常好，但還是有一些極端案例無法被發現。針對無法處理的情況，您可以重新訓練模型。

本程式碼研究室著重於使用自然語言處理 (就電腦理解人類語言的藝術)，並說明如何修改您建立的現有網頁應用程式 (強烈建議您遵循程式碼研究室)，解決垃圾留言的真正問題，許多網頁開發人員都會在處理垃圾留言時遇到的難題。

在這個程式碼研究室中，您將更進一步重新訓練機器學習模型，以因應垃圾郵件內容的變化。這類訊息可能會根據當前趨勢或熱門討論主題而隨著時間變動，讓模型保持最新狀態，並因應這類變化。

必要條件

  • 已完成本系列中的第一個程式碼研究室。
  • 具備網頁技術 (包括 HTML、CSS 和 JavaScript) 的基本知識。

建構項目

您將重複使用先前建構的網站，建立含有即時留言區的虛構影音網誌，並透過 TensorFlow.js 載入經過訓練的自訂版本垃圾內容偵測模型，讓先前無法成功載入的極端案例表現得更好。您當然可以在網頁程式開發人員和工程師中，變更這種假設的使用者體驗，以便在日常工作中重複使用，並依據各種客戶用途調整解決方案，例如網誌、論壇或某些形式的 CMS (例如 Drupal)。

開始入侵吧...

課程內容

您將學會以下內容：

  • 找出預先訓練模型失敗的邊緣案例
  • 重新訓練使用 Model Maker 建立的垃圾郵件分類模型。
  • 將這個以 Python 為基礎的模型匯出為 TensorFlow.js 格式，以便在瀏覽器中使用。
  • 使用新訓練的模型更新託管模型及其字典，然後查看結果

本研究室假設您已熟悉 HTML5、CSS 和 JavaScript。您還會透過「co Lab」執行一些 Python 程式碼來重新訓練模型。

2. 設定程式碼

再次提醒您，您將使用 Glitch.com 代管及修改網頁應用程式。如果您尚未完成事前準備程式碼研究室，可以複製這裡的最終結果做為起點。如果對程式碼的運作方式有任何疑問，強烈建議您完成先前的程式碼研究室，逐步瞭解如何建構可正常運作的網頁應用程式，然後再繼續操作。

在 Glitch 上，點選「重混這個」按鈕就能建立分支，並建立一組可編輯的檔案。

3. 探索先前解決方案中的極端案例

如果您開啟剛剛複製的完成網站並嘗試輸入一些留言，就會發現網站長時間正常運作、封鎖看似垃圾留言的留言，並且允許合法回應。

不過，如果您有足夠的精力和語句來破壞模型，可能在特定時間點還是有可能成功。經過些許測試和錯誤時，您可以自行建立範例，如下所示。請嘗試將下列內容貼到現有的網頁應用程式，檢查控制台，看看留言是否為垃圾留言的機率會出現什麼情況：

張貼正當且沒有問題的正當留言 (真陰性)：

  1. 「哇，影片，超棒的！」機率垃圾郵件：47.91854%
  2. 「非常喜歡這些示範！想瞭解更多資訊嗎？」機率垃圾郵件：47.15898%
  3. 「我可以前往哪個網站瞭解詳情？」機率垃圾郵件：15.32495%

這非常好，上述所有資訊的機率都很低，成功通過預設 SPAM_THRESHOLD 後，即成功採用最低可能性最低 75% 的機率 (在先前程式碼研究室的 script.js 程式碼中定義)。

現在讓我們試著撰寫一些較常見且被標記為垃圾的留言，即使留言並非垃圾內容...

標示為垃圾內容的合法留言 (偽陽性)：

  1. 「有人可以連結自己穿著口罩的網站嗎？」機率垃圾郵件：98.46466%
  2. 「我可以在 Spotify 上購買這首歌曲嗎？有人請告訴我！」機率垃圾郵件：94.40953%
  3. 「有人可以與我聯絡，並詳細說明如何下載 TensorFlow.js 嗎？」機率垃圾郵件：83.20084%

糟糕！系統已將這些合法留言標示為垃圾留言，但其實可以將其標示為垃圾內容。該如何修正這個問題？

其中一個簡單的做法是，將 SPAM_THRESHOLD 提升至超過 98.5% 的信心值。在這種情況下，這些分類錯誤的留言就會張貼。瞭解這點後，讓我們繼續嘗試下列其他可能的結果...

標示為垃圾內容的垃圾內容留言 (是正面的)：

  1. 「這是很酷的，但快去看看我網站上的下載連結，或許更適合你！」機率垃圾郵件：99.77873%
  2. 「我知道有些人可以買一些藥品，只要前往我的 pr0file 就能瞭解詳情」：可能性垃圾內容：98.46955%
  3. 「查看我的個人資料並下載更多令人驚豔的影片！http://example.com" 機率垃圾郵件：96.26383%

好的，這是正常的 75% 門檻，不過在上一個步驟中，您已將 SPAM_THRESHOLD 變更為 98.5% 以上的信心值，這意味著這裡有 2 個範例可以通過，因此門檻可能過高。也許 96% 才比較好？但如果您這麼做，前一節的其中一則留言 (偽陽性) 的評分為 98.46466% 時，系統會將其標示為垃圾內容。

在此情況下，最好能攔截所有這些真實的垃圾意見，只需針對上述失敗情形進行重新訓練即可。將門檻設為 96% 後，系統仍會擷取所有真陽性，並消除上述 2 個偽陽性的情形。只更改一個號碼也沒關係，

繼續...

允許張貼的垃圾留言 (偽陰性)：

  1. 「查看我的個人資料，下載更精彩的影片！」機率垃圾郵件：7.54926%
  2. 「享有健身房訓練課程的折扣，請參閱 pr0file！」機率垃圾郵件：17.49849%
  3. "「天啊， GOOG 的股票剛剛射門了！」早點入手！」機率垃圾郵件：20.42894%

如果不想處理這些註解，只要進一步變更 SPAM_THRESHOLD 值即可。如果將垃圾郵件門檻從 96% 降至約 9%，我們就有可能將真正的留言標示為垃圾內容，即使這類留言是正常行為，也會獲得 58% 的評分。處理這類留言的唯一方法，就是在訓練資料中使用這類極端案例重新訓練模型，讓模型學習調整其對於垃圾內容的認知。

雖然現在唯一的選項是重新訓練模型，但您已瞭解如何調整判定呼叫垃圾來電的時機門檻，進而改善成效。身為人類，75% 似乎很有信心，但以這個模型來說，您需要將幅度增加到 81.5%，才能運用範例資料提升效率。

雖然沒有一個神奇價值適用於各種模型，而且要測試實際資料並找出成效良好的部分，然後為每個模型設定這個門檻值。

在某些情況下 (例如醫療產業中)，有誤判 (或負面) 可能會受到嚴重後果 (例如醫療產業)，因此您可以將門檻調整為非常高，針對未達到門檻的人士申請更多人工審查。您選為開發人員，但需要做一些實驗。

4. 重新訓練垃圾留言偵測模型

在前一節中，您已發現一些模型因這些情況而重新訓練模型而失敗。在實際工作環境系統中，由於使用者手動檢舉留言為垃圾內容，導致這些留言遭到檢舉，或管理員審核遭檢舉的留言，指出有些不是垃圾內容，且可能會將這類留言標示為需要重新訓練。假設您已經針對這些極端案例收集到大量的新資料 (為盡可能取得最佳結果，請盡可能讓這些新的句子出現變化)，而我們現在也會說明如何運用這些極端情況重新訓練模型。

預製模型重點回顧

您使用的預建模型是由第三方透過模型製作工具建立的模型，這類模型使用「平均字詞嵌入」才能運作

由於這個模型是以 Model Maker 建立而成，因此你必須短暫切換至 Python 來重新訓練模型，然後將建立的模型匯出為 TensorFlow.js 格式，以便在瀏覽器中使用。值得慶幸的是，模型製作工具讓模型的使用方式變得非常簡單，跟您一樣很容易上手，我們也會引導您完成整個程序，因此如果您從未使用過 Python，請不用擔心！

哥倫比亞

在本程式碼研究室中，您不會擔心想設定 Linux 伺服器並安裝各種 Python 公用程式，因此只要使用網路瀏覽器，就能透過「Colab Notebook」執行程式碼。這些筆記本可連結至「後端」，不過是已預先安裝部分內容的伺服器，您可以在網路瀏覽器中執行任意程式碼並查看結果。無論是快速設計原型，還是用於這類教學課程，這項功能都非常實用。

只要前往 colab.research.google.com，就會看到歡迎畫面，如下所示：

6b82258445885c50.png

現在請點選彈出式視窗右下方的「新增筆記本」按鈕，畫面上應會顯示一個空白 Colab，如下所示：

2d52c8f7afa88564.png

太好了！接著是將前端 Colab 連線至某些後端伺服器，以便執行您將編寫的 Python 程式碼。按一下右上方的「Connect」(連線)，然後選取「Connect to Hosting Runtime」(連線至代管的執行階段) 即可。

fa5f578a1a3d352b.png

完成連接後，您應該會在其位置看到 RAM 和「磁碟」圖示，如下所示：

541c9894fb39d4cb.png

太棒了！您現在可以開始在 Python 中編寫程式碼，重新訓練 Model Maker 模型。只要按照下列步驟進行即可。

步驟 1

在目前空白的第一個儲存格中，複製下方的程式碼。系統會使用 Python 的套件管理工具「pip」，為您安裝 TensorFlow Lite Model Maker(與 npm 類似，此程式碼研究室的多數讀者可能會對 JS 生態系統更熟悉)：

!apt-get install libasound-dev portaudio19-dev libportaudio2 libportaudiocpp0
!pip install -q tflite-model-maker

不過，將程式碼貼入儲存格並不會執行該程式碼。接著，將滑鼠遊標移至您貼上上述程式碼的灰色儲存格上，然後選取一個小小的「播放」儲存格左方將顯示如下的圖示：

7ac5e3516bed6335.png 按一下播放按鈕，即可執行剛剛在儲存格中輸入的程式碼。

現在，您會看到模型製作工具的安裝完成：

651f21b04fb648cc.png

這個儲存格的執行作業完成 (如圖所示) 後，請繼續下一步驟。

步驟 2

接下來，新增程式碼儲存格 (如下所示)，以便在第一個儲存格後方貼上其他程式碼，並分別執行：

869904a9d774c455.png

下一個執行的儲存格會顯示一些匯入作業，筆記本其餘部分的程式碼需要使用這些匯入內容。請複製下方文字並貼到新建的儲存格中：

import numpy as np
import os

from tflite_model_maker import configs
from tflite_model_maker import ExportFormat
from tflite_model_maker import model_spec
from tflite_model_maker import text_classifier
from tflite_model_maker.text_classifier import DataLoader

import tensorflow as tf
assert tf.__version__.startswith('2')
tf.get_logger().setLevel('ERROR')

就算您不熟悉 Python，也能照常使用。你即將匯入垃圾郵件分類器所需的部分公用程式和 Model Maker 功能，系統也會檢查您是否執行的是 TensorFlow 2.x，這是使用 Model Maker 的必要條件。

最後，和先前一樣，按下「播放」按鈕執行儲存格圖示，請將滑鼠懸停在儲存格上，然後新增程式碼儲存格，以便進行下一個步驟。

步驟 3

接下來，請將遠端伺服器中的資料下載至裝置，並將 training_data 變數設為所產生本機檔案的下載路徑：

data_file = tf.keras.utils.get_file(fname='comment-spam-extras.csv', origin='https://storage.googleapis.com/jmstore/TensorFlowJS/EdX/code/6.5/jm_blog_comments_extras.csv', extract=False)

Model Maker 可用簡單的 CSV 檔案來訓練模型，例如下載的檔案。您只需指定包含文字的欄，並指定要保留標籤的資料欄。步驟 5 將顯示操作方式。如有需要，您可以直接下載 CSV 檔案，查看檔案內容。

您正注意到這個檔案的名稱是 jm_blog_comments_extras.csv，這個檔案只是我們產生第一個垃圾留言模型時的原始訓練資料，會與您發現的新極端案例資料合併，讓這個檔案全都集中在一個檔案中。除了您想從中學習的新語句，還需要用來訓練模型的原始訓練資料。

選用：如果您下載這個 CSV 檔案並檢查最後幾行，就會看到先前無法正常運作的極端情況示例。這些訓練資料現已新增至現有訓練資料的結尾，這是預建模型用來自我訓練的模型。

請執行這個儲存格，並在執行完畢後新增儲存格，然後前往步驟 4。

步驟 4

使用 Model Maker 時，您不必從頭開始建構模型，您通常會使用現有模型，然後根據自身需求自訂。

模型製作工具提供一些您可以使用的預先學習模型嵌入，但最簡單的入門就是在先前的程式碼研究室中用來建構網站的 average_word_vec。程式碼如下：

spec = model_spec.get('average_word_vec')
spec.num_words = 2000
spec.seq_len = 20
spec.wordvec_dim = 7

請將儲存格貼到新的儲存格中，直接執行該指令。

瞭解

num_words

參數

這是您希望模型使用的字詞數。您可能認為越多越好，但一般而言，還是會根據每個字詞的使用頻率做出最佳選擇。如果使用整個語料庫中的每個字詞，模型可能會試圖學習和平衡只使用一次的字詞，這樣就沒有幫助。許多文字語料庫中只會出現一或兩次的字詞，在模型中使用這些字詞對整體情緒的影響微乎其微，因此通常不值得。因此，您可以使用 num_words 參數，針對需要的字數調整模型。這個數字越小，模型越短越好，但可能因為辨識出較少字詞而較不準確。這裡的數字越大，模型越大且速度可能較慢。找出最佳時機很重要，您須仰賴機器學習工程師，才能找出最適合自己的用途。

瞭解

wordvec_dim

參數

wordvec_dim 參數是指您要用於每個字詞向量的維度數量。這些維度基本上是不同的特徵 (訓練時由機器學習演算法建立)，程式會使用任何指定字詞來衡量該字詞，並以有意義的方式將相似字詞建立關聯。

舉例來說，假設你設定的維度是「醫療」也就是「藥丸」等字詞在這個維度中，分數可能較高，並與「xray」和「貓」等其他高分字詞建立關聯。會使此維度的分數偏低圖表的「醫療維度」結合其他潛在維度時，有助於確定垃圾內容。

如果「醫療維度」中獲得高分的字詞可能會發現用字詞與人體關聯的第 2 維度可能會有幫助「leg」、「arm」、「Neck」等字詞在這裡的得分可能很高，在醫療領域也相當高

之後，模型就能根據這些維度偵測可能與垃圾郵件相關的字詞。也許垃圾電子郵件容易包含醫療和身體部位兩者的字詞。

根據研究判斷，經驗法則是指字詞數量的第四根對這個參數有效。如果我輸入的是 2000 個字，可以從 7 個維度著手，如果您變更了使用的字詞數量，也可以進行變更。

瞭解

seq_len

參數

關於輸入值，模型通常都相當嚴謹。對語言模型而言，這表示語言模型可分類特定、靜態長度的語句。此設定取決於 seq_len 參數，其中表示「sequence 長度」。當您將字詞轉換為數字 (或符記) 時，一個句子會成為這些符記的序列。因此，您的模型經過訓練 (在本範例中)，分類及辨識含有 20 個符記的句子。如果句子長超過此長度，將遭到截斷。如果篇幅較短，則會填充，就像本系列的第一個程式碼研究室一樣。

步驟 5：載入訓練資料

您先前下載了 CSV 檔案。接下來請使用資料載入器，將上述值轉換為模型可識別的訓練資料。

data = DataLoader.from_csv(
      filename=data_file,
      text_column='commenttext', 
      label_column='spam', 
      model_spec=spec,
      delimiter=',',
      shuffle=True,
      is_training=True)

train_data, test_data = data.split(0.9)

在編輯器中開啟 CSV 檔案時，您會發現每一行都有兩個值，而這些項目的第一行將以文字描述。一般來說，每個項目都會視為「資料欄」。您會看到第一欄的描述元是 commenttext，而每一行的第一個項目就是註解的文字。

同樣地，第二欄的描述元是 spam，您會看到每一行的第二個項目是 TRUE 或 FALSE，表示該文字是否屬於垃圾評論。其他屬性則設定您在步驟 4 建立的模型規格，以及分隔符號字元 (在本範例中為以半形逗號分隔檔案)。此外，您也可以設定重組參數來隨機重新排列訓練資料，讓可能類似或一起收集的資料隨機分散在資料集中。

接著，您會使用 data.split() 將資料拆分為訓練和測試資料。0.9 代表 90% 的資料集將用於訓練，其餘部分則用於測試。

步驟 6：建構模型

新增另一個儲存格，用於新增程式碼來建構模型：

model = text_classifier.create(train_data, model_spec=spec, epochs=50)

這項操作會使用 Model Maker 建立文字分類器模型，指定要使用的訓練資料 (步驟 4 已定義)、模型規格 (在步驟 4 中也一併設定)，以及多個訓練週期 (本例為 50)。

機器學習的基本原則是模式比對的形式。一開始，它會為字詞載入預先訓練的權重，並嘗試使用「Predict」(預測結果) 將資料分組在一起以及未歸為垃圾郵件的群組。第一次使用時，可能非常接近 50:50，因為模型的入門程度如下所示：

bbe4b896d8060bc4.png

接著再評估預測結果，然後調整模型權重以調整預測結果，然後再試一次。這是一個週期只要指定 epochs=50，就會進入該「迴圈」50 次，如下所示：

4ed286d114960ca.png

因此，等到第 50 個週期時，模型的準確率就會提高。在本例中是 99.1%！

步驟 7：匯出模型

訓練完成後，即可匯出模型。TensorFlow 會以自己的格式訓練模型，因此必須轉換成 TensorFlow.js 格式，才能在網頁上使用。方法很簡單，只要在新的儲存格中貼上下列程式碼，然後執行即可：

model.export(export_dir="/js_export/", export_format=[ExportFormat.TFJS, ExportFormat.LABEL, ExportFormat.VOCAB])
!zip -r /js_export/ModelFiles.zip /js_export/

執行這個程式碼後，只要點選 Colab 左側的小型資料夾圖示，即可前往上方匯出的資料夾 (位於根目錄中，您可能需要上更高層級)，並找出 ModelFiles.zip 內含所匯出檔案的 ZIP 套件。

立即將這個 ZIP 檔案下載至電腦，就像第一個程式碼研究室中一樣可以使用這些檔案：

cda3c681ebf144b4.png

太好了！Python 部分已經結束，您現在可以回到您熟悉且喜愛的 JavaScript 土地。太好了！

5. 提供新的機器學習模型

您現在即將可以載入模型。在這之前，您必須先上傳先前在程式碼研究室中下載的新模型檔案，以便讓模型代管並在程式碼中使用。

首先，如果您尚未從剛才執行的 Model Maker Colab 筆記本，將模型的檔案解壓縮，請先進行解壓縮。您會在各個資料夾中看到下列檔案：

3ace87c57b98cfbc.png

你在這裡做什麼？

  • model.json - 這是構成訓練 TensorFlow.js 模型的其中一個檔案。您可以在 JS 程式碼中參照這個特定檔案。
  • group1-shard1of1.bin：這個二進位檔案包含許多匯出的 TensorFlow.js 模型已儲存的資料，需託管於伺服器中的某個位置，才能下載與上述 model.json 相同的目錄。
  • vocab - 這個沒有副檔名的奇怪檔案來自 Model Maker 的部分，它讓我們知道該如何將語句中的字詞編碼，讓模型瞭解如何使用它們。我們將在下一節深入探討。
  • labels.txt - 這只包含模型將預測產生的類別名稱。如果您是使用文字編輯器開啟這個檔案，這個模型只會含有「false」和「true」標示「非垃圾郵件」或「垃圾內容」做為預測輸出

託管 TensorFlow.js 模型檔案

首先，請放置網路伺服器產生的 model.json 和 *.bin 檔案，以便透過網頁存取。

刪除現有的模型檔案

您在本系列第一個程式碼研究室結束時，必須刪除已上傳的現有模型檔案。如果您使用的是 Glitch.com，只需查看左側的檔案面板是否有 model.json 和 group1-shard1of1.bin，請按一下每個檔案的三點下拉式選單，然後選取「delete」，如下所示：

c72bfdc5a0db4d0d.png

將新檔案上傳至 Glitch

太好了！現在請上傳新檔案：

  1. 在 Glitch 專案的左側面板中開啟 assets 資料夾，然後刪除先前上傳相同名稱的舊資產。
  2. 按一下「上傳素材資源」，然後選取要上傳至這個資料夾的 group1-shard1of1.bin。上傳完成後，畫面應該會如下所示：

c6739dd30e6df977.png

  1. 太好了！接著對 model.json 檔案執行相同操作，因此素材資源資料夾中應有 2 個檔案，如下所示：

b7858eb08bea9ac3.png

  1. 按一下剛上傳的 group1-shard1of1.bin 檔案，即可將網址複製到該檔案的位置。現在請複製這個路徑，如下所示：

19999f6644f61153.png

  1. 現在，按一下畫面左下方的「工具」>終端機。等待終端機視窗載入。
  2. 載入以下內容後，請按下 Enter 鍵，將目錄變更為 www 資料夾：

終端機：

cd www
  1. 接著，請使用 wget 下載剛才上傳的 2 個檔案，方法是將下列網址替換成您在 Glitch 上素材資源資料夾為檔案產生的網址 (請查看素材資源資料夾，瞭解每個檔案的自訂網址)。

請注意，這兩個網址之間的距離與您要使用的網址不同，但看起來會很類似：

終端機

wget https://cdn.glitch.com/1cb82939-a5dd-42a2-9db9-0c42cab7e407%2Fmodel.json?v=1616111344958 https://cdn.glitch.com/1cb82939-a5dd-42a2-9db9-0c42cab7e407%2Fgroup1-shard1of1.bin?v=1616017964562

超級！您現在已經複製上傳到「www」資料夾的檔案了。

不過，目前下載時會使用奇怪的名稱。如果您在終端機中輸入 ls 並按下 Enter 鍵，就會看到如下內容：

6c417fdfc64762f1.png

  1. 使用 mv 指令重新命名檔案。在控制台中輸入以下內容，並在每行輸入一個後按下 Enter 鍵：

終端機：

mv *group1-shard1of1.bin* group1-shard1of1.bin
mv *model.json* model.json
  1. 最後，在終端機中輸入 refresh 並按下 Enter 鍵，即可重新整理 Glitch 專案：

終端機：

refresh

重新整理後，您應該會在使用者介面的 www 資料夾中看到 model.json 和 group1-shard1of1.bin：

530bb651f4dbac64.png

太好了！最後一個步驟是更新 dictionary.js 檔案。

  1. 透過文字編輯器手動將新下載的 WordPress 檔案轉換為正確的 JS 格式，或者使用這項工具，然後將產生的輸出結果儲存為 www 資料夾的 dictionary.js。如果已經有 dictionary.js 檔案，只要複製新內容並貼到該檔案上，即可儲存檔案。

太厲害了！您已成功更新所有已變更的檔案，現在嘗試使用網站時，會發現重新訓練模型如何充分考慮發現的邊緣案例，如圖所示：

64e5cf6f6e158d6c.gif

如您所見，前 6 個群組已正確歸類為非垃圾郵件，第 2 批則全部歸類為垃圾郵件。太完美了！

我們同時嘗試一些變化，看看能否妥善通用。原本就有一段失敗的句子，例如：

「omg GOOG 的股票剛剛開球！即刻入手！」

系統目前已正確歸類為垃圾郵件，但如果您將此狀態變更為：

「因此 XYZ 股票的價值增加了！把握時間，搶先購買一些商品！」

這裡會顯示 98% 的垃圾郵件預測，即使你變更了股票符號和遣詞用字，這個結果仍然正確無誤。

當然，如果您確實嘗試破壞這個新模型，您將能夠並收集更多的訓練資料，以盡可能從您可能遇到的網路常見情境擷取更多獨特的變化。在日後的程式碼研究室中，我們會說明如何使用遭到標記的即時資料，持續改善模型。

6. 恭喜！

恭喜！您已順利重新訓練現有的機器學習模型，讓模型能夠配合各種極端情況進行更新，並運用 TensorFlow.js 將這些變更部署至瀏覽器，以實際應用在現實世界中。

重點回顧

在本程式碼研究室中，您已完成以下事項：

  1. 發現使用預製垃圾留言模型時無法運作的極端案例
  2. 重新訓練模型，將發現的邊緣案例納入考量
  3. 將經過訓練的新模型匯出為 TensorFlow.js 格式
  4. 已更新網頁應用程式，以便使用新檔案

後續步驟

這種更新非常好，但如同其他網頁應用程式，更新也會與時俱進。如果應用程式能隨時間自動持續改進，則不必每次都手動改進。您能否思考一下，您該如何自動化這些步驟，讓模型在模型分類後自動重新訓練模型 (例如有 100 則標示為錯誤分類的新留言)？建議您以平時的網頁工程策略，思考如何建立能自動達成這個目標的管道。如果還不熟悉，請參考本系列的下一個程式碼研究室，瞭解實際操作方式。

分享您的成果

此外，你可以輕鬆將今日成果拓展至其他創意用途，建議跳脫傳統思維並持續嘗試入侵。

別忘了在社群媒體上標記我們，並加上 #MadeWithTFJS 主題標記，你的專案就有機會登上 TensorFlow 網誌，甚至是日後的活動。我們很期待看到你的作品。

更多 TensorFlow.js 程式碼研究室可深入探索

建議結帳網站