Deep learning avec JavaScript - Réseaux de neurones avec TensorFlow.js

Stanley Bileschi, Shanqing Cai, François Chollet, Eric D. Nielsen

Date de parution : 24/09/2020

Plongez au coeur du deep learning avec la nouvelle bibliothèque de Google Tensorflow.js pour JavaScript

Tensorflow.js étend la bibliothèque de machine learning open source TensorFlow de Google à JavaScript pour entraîner et déployer des modèles d'apprentissage machine dans un navigateur. Accélérée par WebGL, la bibliothèque Tensorflow.js fonctionne... Tensorflow.js étend la bibliothèque de machine learning open source TensorFlow de Google à JavaScript pour entraîner et déployer des modèles d'apprentissage machine dans un navigateur. Accélérée par WebGL, la bibliothèque Tensorflow.js fonctionne également avec le runtime JavaScript côté serveur et fait partie de l'écosystème TensorFlow.
Cette librairie ouvre la porte à de nombreuses... Tensorflow.js étend la bibliothèque de machine learning open source TensorFlow de Google à JavaScript pour entraîner et déployer des modèles d'apprentissage machine dans un navigateur. Accélérée par WebGL, la bibliothèque Tensorflow.js fonctionne également avec le runtime JavaScript côté serveur et fait partie de l'écosystème TensorFlow.
Cette librairie ouvre la porte à de nombreuses possibilités, puisqu’elle peut par exemple exploiter la webcam du navigateur. Et surtout, en mettant le Deep Learning à la portée des développeurs Javascript, il y a de fortes chances pour qu’elle contribue à une accélération de la diffusion du Deep Learning.

Au programme :

TensorFlow.js, une introduction en douceur
Pour commencer : Régression linéaire simple dans TensorFlow.js
Ajouter de la non-linéarité : Aller au-delà des sommes pondérées
Reconnaître les images et les sons à l'aide des réseaux de neurones convolutifs
Apprentissage par transfert : Réutiliser des réseaux de neurones pré-entraînés
Deep learning avancé avec TensorFlow.js - Travailler avec des données
Visualiser des données et des modèles
Sous-apprentissage, surapprentissage et flux de travail universel de l'apprentissage automatique
Deep learning pour les séquences et le texte
Les bases de l'apprentissage par renforcement profond
Tester, optimiser et déployer les modèles