Читаоци попут вас помажу у подршци МУО. Када обавите куповину користећи везе на нашем сајту, можда ћемо зарадити провизију за партнере.
Машинско учење је фундаментална технологија у савременом свету. Рачунари могу да науче да препознају слике, креирају уметничка дела, па чак и да пишу сопствени код, све уз минималну људску интервенцију.
Али како функционише машинско учење и како га сами можете користити?
Шта је машинско учење?
Машинско учење је релативно једноставан концепт. Рачунарски системи могу да уче и прилагођавају се анализом постојећих образаца података из скупова информација. Ово се обично ради без експлицитних упутстава од људи.
Добар пример долази у облику алата виртуелног помоћника. Сири, Цортана и Гоогле Ассистант у великој мери користе машинско учење за разумевање људског говора. Ово почиње скупом постојећих аудио снимака, али ови алати такође могу да уче из интеракција које имају са вама. То им омогућава да се сами побољшају.
Шта је мл5.јс?
Већина алгоритама и алата за машинско учење користи Р или Питхон за свој код, али мл5.јс је другачији. Делујући као интерфејс за Гоогле-ову библиотеку Тенсорфлов.јс, мл5.јс је пројекат отвореног кода који ставља машинско учење у руке ЈаваСцрипт програмера.
Можете почети да користите мл5.јс за сопствену веб апликацију тако што ћете укључити једну спољну скрипту у свој ХТМЛ.
Почетак рада са машинским учењем: процес учења
Обука алгоритма за машинско учење захтева време. Рачунари уче много брже од људи, али уче и на различите начине. Срећом, међутим, мл5.јс долази са избором унапред обучених модела тако да можете да прескочите овај корак.
Учење како се алгоритми машинског учења тренирају је одличан начин да боље разумете овакве алате.
мл5.јс олакшава креирање алата за класификацију слика који ће се покренути на вашој веб локацији. ХТМЛ страница у овом примеру садржи поље за унос датотеке за одабир слике. Отпремљене слике се приказују унутар припремљеног ХТМЛ елемента како би се омогућило мл5.јс да их скенира и идентификује.
Корак 1: Укључите библиотеку мл5.јс
Овај пројекат захтева две библиотеке за рад: мл5.јс и п5.јс. мл5.јс је библиотека машинског учења, док п5.јс омогућава исправан рад са сликама. Потребне су вам две линије ХТМЛ-а да бисте додали ове библиотеке:
<скрипт срц="https://cdnjs.cloudflare.com/ajax/libs/p5.js/1.0.0/p5.min.js"></script>
<скрипт срц="https://unpkg.com/ml5@latest/dist/ml5.min.js"></script>Корак 2: Направите неке ХТМЛ елементе
Затим, време је да креирате неке ХТМЛ елементе. Најважнији је див са ИД-ом и класом са ознаком имагеРесулт који ће похранити коначни резултат:
<х1>МакеУсеОф Имаге Цлассифиер</h1><х2>Кликните "Одаберите датотеку" да додате слику</h2>
<див цласс="имагеРесулт" ид="имагеРесулт"></div>
Након тога, додајте елемент за унос датотеке да бисте прикупили слику коју ће програм класификовати.
<див цласс="имагеИнпут">
<тип уноса="фајл"
онинпут="уплоадедИмаге.срц=виндов. УРЛ.цреатеОбјецтУРЛ(тхис.филес[0]); стартИмагеСцан()">
</div>
Улаз ослушкује онинпут догађај и извршава две изјаве као одговор, одвојене тачком и зарезом. Први креира УРЛ објекта за слику, што вам омогућава да радите са подацима без потребе да их отпремате на сервер. Други позива функцију стартИмагеСцан() коју ћете креирати у следећем кораку.
На крају, додајте имг елемент за приказ слике коју је корисник поставио:
<имг цласс="уплоадедИмаге" ид="уплоадедИмаге" />Корак 3: Креирајте ЈС функцију за скенирање слика
Сада када имате нешто ХТМЛ-а, време је да додате мало ЈС-а у микс. Започните додавањем променљиве цонст за складиштење елемента имагеРесулт који сте креирали у последњем кораку.
конст елемент = документ.гетЕлементБиИд("имагеРесулт");Затим додајте функцију под називом стартИмагеСцан() и, унутар ње, иницијализујте мл5.јс класификатор слика користећи МобилеНет.
Пратите ово помоћу команде цлассифиер.цлассифи. Проследите му референцу на елемент уплоадедИмаге који сте раније додали, заједно са функцијом повратног позива за обраду резултата.
функцијастартИмагеСцан() {
// Креирај а променљивадо иницијализовати мл5.јс класификатор слика са МобилеНет
цонст класификатор = мл5.имагеЦлассифиер('МобилеНет');
цлассифиер.цлассифи (доцумент.гетЕлементБиИд("уплоадедИмаге"), имагеСцанРесулт);
елемент.иннерХТМЛ = "...";
}Корак 4: Креирајте функцију приказа резултата
Такође вам је потребна функција за приказ резултата класификације слика коју сте извршили. Ова функција садржи једноставну иф наредбу за проверу грешака.
функцијаимагеСцанРесулт(грешка, резултати) {
ако (грешка) {
елемент.иннерХТМЛ = грешка;
} друго {
дозволити број = резултати[0].самопоуздање * 100;
елемент.иннерХТМЛ = резултати[0].ознака + "<бр>Самопоуздање: " + нум.тоФикед (0) + "%";
}
}Корак 5: Саставите све заједно
Коначно, време је да се сав овај код споји. Важно је имати на уму да
,