随着TensorFlow 2.0 alpha的发布，TensorFlow.js更新到首个正式版本1.0，TensorFlow的官网也增加了TensorFlow.js的文档，这说明TensorFlow.js不再是一个试验品。作为一名浏览器内核研发工程师，对TensorFlow.js自然充满了兴趣。
Javascript语言这些年来四处攻城掠地，服务端有Node.js，移动前端开发更是大热，就连桌面应用也有JS的身影，比如最近火热的Visual Studio Code，现在又渗透到人工智能领域。不得不感概，当年匆忙设计出来，饱受批评的一门脚本语言，竟然生命力这么顽强。
闲话少说，下面就来看看在浏览器中训练模型是怎样的一种体验。
我之前写过一系列的《一步步提高手写数字的识别率(1)(2)(3)》，手写数字识别是一个非常好的入门项目，所以在这里我就以手写数字识别为例，说明在浏览器中如何训练模型。这里就不从最简单的线性回归模型开始，而是直接选用卷积神经网络。
和python代码中训练模型的步骤一样，使用TensorFlow.js在浏览器中训练模型的步骤主要有4步:
- 加载数据。
- 定义模型结构。
- 训练模型并监控其训练时的表现。
- 评估训练的模型。
加载数据
有过机器学习知识的朋友，应该对MNIST数据集不陌生，这是一套28x28大小手写数字的灰度图像，包含55000个训练样本，10000个测试样本，另外还有5000个交叉验证数据样本。tensorflow python提供了一个封装类，可以直接加载MNIST数据集，在TensorFlow.js中需要自己写代码加载：
代码语言：javascript复制const IMAGE_SIZE = 784;
const NUM_CLASSES = 10;
const NUM_DATASET_ELEMENTS = 65000;
const TRAIN_TEST_RATIO = 5 / 6;
const NUM_TRAIN_ELEMENTS = Math.floor(TRAIN_TEST_RATIO * NUM_DATASET_ELEMENTS);
const NUM_TEST_ELEMENTS = NUM_DATASET_ELEMENTS - NUM_TRAIN_ELEMENTS;
const MNIST_IMAGES_SPRITE_PATH =
'mnist_images.png';
const MNIST_LABELS_PATH =
'mnist_labels_uint8';
/**
* A class that fetches the sprited MNIST dataset and returns shuffled batches.
*
* NOTE: This will get much easier. For now, we do data fetching and
* manipulation manually.
*/
export class MnistData {
constructor() {
this.shuffledTrainIndex = 0;
this.shuffledTestIndex = 0;
}
async load() {
// Make a request for the MNIST sprited image.
const img = new Image();
const canvas = document.createElement('canvas');
const ctx = canvas.getContext('2d');
const imgRequest = new Promise((resolve, reject) => {
img.crossOrigin = '';
img.onload = () => {
img.width = img.naturalWidth;
img.height = img.naturalHeight;
const datasetBytesBuffer =
new ArrayBuffer(NUM_DATASET_ELEMENTS * IMAGE_SIZE * 4);
const chunkSize = 5000;
canvas.width = img.width;
canvas.height = chunkSize;
for (let i = 0; i < NUM_DATASET_ELEMENTS / chunkSize; i ) {
const datasetBytesView = new Float32Array(
datasetBytesBuffer, i * IMAGE_SIZE * chunkSize * 4,
IMAGE_SIZE * chunkSize);
ctx.drawImage(
img, 0, i * chunkSize, img.width, chunkSize, 0, 0, img.width,
chunkSize);
const imageData = ctx.getImageData(0, 0, canvas.width, canvas.height);
for (let j = 0; j < imageData.data.length / 4; j ) {
// All channels hold an equal value since the image is grayscale, so
// just read the red channel.
datasetBytesView[j] = imageData.data[j * 4] / 255;
}
}
this.datasetImages = new Float32Array(datasetBytesBuffer);
resolve();
};
img.src = MNIST_IMAGES_SPRITE_PATH;
});
const labelsRequest = fetch(MNIST_LABELS_PATH);
const [imgResponse, labelsResponse] =
await Promise.all([imgRequest, labelsRequest]);
this.datasetLabels = new Uint8Array(await labelsResponse.arrayBuffer());
// Create shuffled indices into the train/test set for when we select a
// random dataset element for training / validation.
this.trainIndices = tf.util.createShuffledIndices(NUM_TRAIN_ELEMENTS);
this.testIndices = tf.util.createShuffledIndices(NUM_TEST_ELEMENTS);
// Slice the the images and labels into train and test sets.
this.trainImages =
this.datasetImages.slice(0, IMAGE_SIZE * NUM_TRAIN_ELEMENTS);
this.testImages = this.datasetImages.slice(IMAGE_SIZE * NUM_TRAIN_ELEMENTS);
this.trainLabels =
this.datasetLabels.slice(0, NUM_CLASSES * NUM_TRAIN_ELEMENTS);
this.testLabels =
this.datasetLabels.slice(NUM_CLASSES * NUM_TRAIN_ELEMENTS);
}
nextTrainBatch(batchSize) {
return this.nextBatch(
batchSize, [this.trainImages, this.trainLabels], () => {
this.shuffledTrainIndex =
(this.shuffledTrainIndex 1) % this.trainIndices.length;
return this.trainIndices[this.shuffledTrainIndex];
});
}
nextTestBatch(batchSize) {
return this.nextBatch(batchSize, [this.testImages, this.testLabels], () => {
this.shuffledTestIndex =
(this.shuffledTestIndex 1) % this.testIndices.length;
return this.testIndices[this.shuffledTestIndex];
});
}
nextBatch(batchSize, data, index) {
const batchImagesArray = new Float32Array(batchSize * IMAGE_SIZE);
const batchLabelsArray = new Uint8Array(batchSize * NUM_CLASSES);
for (let i = 0; i < batchSize; i ) {
const idx = index();
const image =
data[0].slice(idx * IMAGE_SIZE, idx * IMAGE_SIZE IMAGE_SIZE);
batchImagesArray.set(image, i * IMAGE_SIZE);
const label =
data[1].slice(idx * NUM_CLASSES, idx * NUM_CLASSES NUM_CLASSES);
batchLabelsArray.set(label, i * NUM_CLASSES);
}
const xs = tf.tensor2d(batchImagesArray, [batchSize, IMAGE_SIZE]);
const labels = tf.tensor2d(batchLabelsArray, [batchSize, NUM_CLASSES]);
return {xs, labels};
}
}代码中，加载一个 mnist_images.png 图片，该图片是所有MNIST数据集的图像拼接而来（文件很大，大约10M），另外加载一个 mnist_labels_uint8 文本文件，包含所有的MNIST数据集对应的标签。
需要注意的是，这只是一种加载MNIST数据集的方法，你也可以使用一个手写数字一张图片的MNIST数据集，分次加载多个图片文件。
上述代码实现了一个MnistData类，它有两个公共方法：
- nextTrainBatch（batchSize）：从训练集中返回一组随机图像及其标签。
- nextTestBatch（batchSize）：从测试集中返回一批图像及其标签
为了检验上述代码是否工作正常，可以写一段代码显示加载的数据：
代码语言：javascript复制async function showExamples(data) {
// Create a container in the visor
const surface =
tfvis.visor().surface({ name: 'Input Data Examples', tab: 'Input Data'});
// Get the examples
const examples = data.nextTestBatch(20);
const numExamples = examples.xs.shape[0];
// Create a canvas element to render each example
for (let i = 0; i < numExamples; i ) {
const imageTensor = tf.tidy(() => {
// Reshape the image to 28x28 px
return examples.xs
.slice([i, 0], [1, examples.xs.shape[1]])
.reshape([28, 28, 1]);
});
const canvas = document.createElement('canvas');
canvas.width = 28;
canvas.height = 28;
canvas.style = 'margin: 4px;';
await tf.browser.toPixels(imageTensor, canvas);
surface.drawArea.appendChild(canvas);
imageTensor.dispose();
}
}
async function run() {
const data = new MnistData();
await data.load();
await showExamples(data);
}
document.addEventListener('DOMContentLoaded', run);
定义模型结构
关于卷积神经网络，可以参阅《一步步提高手写数字的识别率(3)》这篇文章，这里定义的卷积网络结构为：
CONV -> MAXPOOlING -> CONV -> MAXPOOLING -> FC -> SOFTMAX
每个卷积层使用RELU激活函数，代码如下：
代码语言：javascript复制function getModel() {
const model = tf.sequential();
const IMAGE_WIDTH = 28;
const IMAGE_HEIGHT = 28;
const IMAGE_CHANNELS = 1;
// In the first layer of out convolutional neural network we have
// to specify the input shape. Then we specify some paramaters for
// the convolution operation that takes place in this layer.
model.add(tf.layers.conv2d({
inputShape: [IMAGE_WIDTH, IMAGE_HEIGHT, IMAGE_CHANNELS],
kernelSize: 5,
filters: 8,
strides: 1,
activation: 'relu',
kernelInitializer: 'varianceScaling'
}));
// The MaxPooling layer acts as a sort of downsampling using max values
// in a region instead of averaging.
model.add(tf.layers.maxPooling2d({poolSize: [2, 2], strides: [2, 2]}));
// Repeat another conv2d maxPooling stack.
// Note that we have more filters in the convolution.
model.add(tf.layers.conv2d({
kernelSize: 5,
filters: 16,
strides: 1,
activation: 'relu',
kernelInitializer: 'varianceScaling'
}));
model.add(tf.layers.maxPooling2d({poolSize: [2, 2], strides: [2, 2]}));
// Now we flatten the output from the 2D filters into a 1D vector to prepare
// it for input into our last layer. This is common practice when feeding
// higher dimensional data to a final classification output layer.
model.add(tf.layers.flatten());
// Our last layer is a dense layer which has 10 output units, one for each
// output class (i.e. 0, 1, 2, 3, 4, 5, 6, 7, 8, 9).
const NUM_OUTPUT_CLASSES = 10;
model.add(tf.layers.dense({
units: NUM_OUTPUT_CLASSES,
kernelInitializer: 'varianceScaling',
activation: 'softmax'
}));
// Choose an optimizer, loss function and accuracy metric,
// then compile and return the model
const optimizer = tf.train.adam();
model.compile({
optimizer: optimizer,
loss: 'categoricalCrossentropy',
metrics: ['accuracy'],
});
return model;
}如果有过tensorflow python代码编写经验，上面的代码应该很容易理解。
训练模型并监控其训练时的表现
在浏览器中训练，也可以批量输入图像数据，可以指定batch size，epoch轮次。
代码语言：javascript复制async function train(model, data) {
const metrics = ['loss', 'val_loss', 'acc', 'val_acc'];
const container = {
name: 'Model Training', styles: { height: '1000px' }
};
const fitCallbacks = tfvis.show.fitCallbacks(container, metrics);
const BATCH_SIZE = 512;
const TRAIN_DATA_SIZE = 5500;
const TEST_DATA_SIZE = 1000;
const [trainXs, trainYs] = tf.tidy(() => {
const d = data.nextTrainBatch(TRAIN_DATA_SIZE);
return [
d.xs.reshape([TRAIN_DATA_SIZE, 28, 28, 1]),
d.labels
];
});
const [testXs, testYs] = tf.tidy(() => {
const d = data.nextTestBatch(TEST_DATA_SIZE);
return [
d.xs.reshape([TEST_DATA_SIZE, 28, 28, 1]),
d.labels
];
});
return model.fit(trainXs, trainYs, {
batchSize: BATCH_SIZE,
validationData: [testXs, testYs],
epochs: 10,
shuffle: true,
callbacks: fitCallbacks
});
}和python代码相比，fit多了一个callbacks参数。需要注意的是，训练过程比较长，我们不能阻塞浏览器主线程，代码中大多时候需要异步方法。而callbacks可以通知主线程更新，这里借用了tfvis库，可以可视化训练过程（类似于tensorboard），但这里是在网页上显示。
评估训练的模型
评估时喂入测试集，代码也和python版本类似：
代码语言：javascript复制function doPrediction(model, data, testDataSize = 500) {
const IMAGE_WIDTH = 28;
const IMAGE_HEIGHT = 28;
const testData = data.nextTestBatch(testDataSize);
const testxs = testData.xs.reshape([testDataSize, IMAGE_WIDTH, IMAGE_HEIGHT, 1]);
const labels = testData.labels.argMax([-1]);
const preds = model.predict(testxs).argMax([-1]);
testxs.dispose();
return [preds, labels];
}如果我们希望更直观的显示每个类别的精确度以及错误的分类，可以借助tfvis库：
代码语言：javascript复制async function showAccuracy(model, data) {
const [preds, labels] = doPrediction(model, data);
const classAccuracy = await tfvis.metrics.perClassAccuracy(labels, preds);
const container = {name: 'Accuracy', tab: 'Evaluation'};
tfvis.show.perClassAccuracy(container, classAccuracy, classNames);
labels.dispose();
}
async function showConfusion(model, data) {
const [preds, labels] = doPrediction(model, data);
const confusionMatrix = await tfvis.metrics.confusionMatrix(labels, preds);
const container = {name: 'Confusion Matrix', tab: 'Evaluation'};
tfvis.render.confusionMatrix(
container, {values: confusionMatrix}, classNames);
labels.dispose();
}评估结果如下图所示：
关于TensorFlow.js
TensowFlow.js借助于WebGL，可以加速训练过程。如果浏览器不支持WebGL，也不会出错，只不过会走CPU的路径，当然速度也会慢很多。
虽然通过WebGL，也利用上了GPU，但对于大规模深度学习模型，在浏览器中训练也不现实，这个时候我们也可以在server上训练好模型，转换为TensorFlow.js可用的模型格式，在浏览器中加载模型，并进行推断，关于这个话题，请关注后续的文章。
以上示例有完整的代码，点击阅读原文，跳转到我在github上建的示例代码。 另外，你也可以在浏览器中直接访问：http://ilego.club/ai/index.html ，直接体验浏览器中的机器学习。
参考文献：
- tensorflow官网
- TensorFlow.js — Handwritten digit recognition with CNNs
你还可以读
- 一步步提高手写数字的识别率(1)(2)(3)
- TensorFlow.js简介
