原文：
www.kdnuggets.com/2020/05/interactive-machine-learning-experiments.html
评论
由 Oleksii Trekhleb，Uber 的软件工程师。
我在 GitHub 上开源了一个新的 交互式机器学习实验 项目。每个实验包括Jupyter/Colab 笔记本（查看模型如何训练）和演示页面（直接在浏览器中查看模型的实际效果）。
尽管模型可能有些笨拙（记住，这些只是实验，并不是生产就绪的代码），它们会尽力做到以下几点：
-
识别你在浏览器中绘制的数字或草图
-
检测和识别你展示给相机的物体
-
对上传的图像进行分类
-
和你一起写一首莎士比亚的诗
-
和你一起玩石头剪子布游戏
我已经在Python上使用TensorFlow 2 和 Keras 支持训练了这些模型，然后用React和JavaScript版本的TensorFlow在浏览器中进行演示。
首先，让我们设定期望值。️ 这个仓库包含了机器学习的实验，而不是生产就绪、可重用、优化和微调的代码和模型。这更像是一个沙箱或游乐场，用于学习和尝试不同的机器学习方法、算法和数据集。模型可能表现不佳，并且存在过拟合/欠拟合的可能。
因此，有时你可能会看到如下内容：
但请耐心等待，有时模型可能会变得更聪明，并给出如下结果：
我是一名 软件工程师，在过去的几年里，我主要从事前端和后端编程。在闲暇时间，作为一种爱好，我决定深入了解机器学习主题，以使其对我来说不再像魔法，而更像数学。
-
由于Python可能是开始尝试机器学习的一个好选择，我决定先学习其基本语法。结果，诞生了一个 Python 学习游乐场和备忘单 项目。这只是为了练习 Python，同时在需要时能有一个基本语法的备忘单（例如 dict_via_comprehension = {x: x**2 for x in (2, 4, 6)}，等等）。
-
在学习了一点 Python 之后，我想深入了解机器学习背后的基本数学。所以，在通过了 Coursera 上由 Andrew Ng 教授讲授的精彩机器学习课程之后，出现了自制机器学习项目。这次是创建一个针对基本机器学习数学算法（如线性回归、逻辑回归、k 均值、多层感知机等）的备忘单。
-
下一步尝试玩转基本的机器学习数学是关于NanoNeuron的。这是关于 7 个简单的 JavaScript 函数，旨在让你感受机器如何实际“学习”。
-
在完成了 Coursera 上 Andrew Ng 教授讲授的另一个精彩深度学习专项课程之后，我决定进一步练习多层感知机、卷积和递归神经网络（CNNs 和 RNNs）。这一次，我决定不再从头开始实现所有内容，而是开始使用一些机器学习框架。我最终选择了TensorFlow 2和Keras。我也不想过多关注数学（让框架为我处理），而是希望做一些更实际、适用的事情，并且可以在浏览器中直接尝试。结果，新的互动机器学习实验出现了，我想在这里详细描述一下。
模型训练
-
我在 TensorFlow 2 中使用了 Keras 进行建模和训练。由于我对机器学习框架没有任何经验，我需要从某些东西开始。TensorFlow 的一个卖点是它同时提供了 Python 和JavaScript 版本的库，API 类似。因此，我最终使用了 Python 版本进行训练，用 JavaScript 版本进行演示。
-
我在本地的Jupyter笔记本中使用 Python 训练了 TensorFlow 模型，有时使用Colab来加快 GPU 上的训练速度。
-
大多数模型是在老款 MacBook Pro 的 CPU（2.9 GHz 双核 Intel Core i5）上训练的。
-
当然，你不可能逃避NumPy用于矩阵/张量操作。
模型演示
-
我使用了 TensorFlow.js 来用之前训练的模型进行预测。
-
为了将 Keras HDF5 模型转换为 TensorFlow.js Layers 格式，我使用了 TensorFlow.js 转换器。将整个模型（数兆字节的数据）传输到浏览器可能效率低下，不如通过 HTTP 请求进行预测，但请记住，这些只是实验，而不是生产就绪的代码和架构。我希望避免拥有专门的后台服务以简化架构。
-
演示应用 是在 React 上使用 create-react-app 启动程序创建的，默认使用 Flow 类型检查。
-
对于样式，我使用了 Material UI。正如他们所说的，“一箭双雕”，同时尝试一个新的样式框架（对不起，Bootstrap）。
实验
简而言之，你可以通过以下链接访问演示页面和 Jupyter 笔记本：
多层感知器（MLP） 是一种前馈人工神经网络（ANN）。多层感知器有时被称为“普通”神经网络（由多个感知器层组成），尤其是当它们只有一个隐藏层时。
手写数字识别
你绘制一个数字，模型尝试识别它。
手写草图识别
你绘制一个草图，模型尝试识别它。
卷积神经网络（CNN 或 ConvNet）是一类深度神经网络，最常用于分析视觉图像（照片、视频）。它们用于检测和分类照片和视频中的物体，风格迁移，人脸识别，姿态估计等。
手写数字识别（CNN）
你画一个数字，模型尝试识别它。这个实验类似于 MLP 部分的实验，但它使用了底层的 CNN。
手写草图识别（CNN）
你画一幅草图，模型尝试识别它。这个实验类似于 MLP 部分的实验，但它使用了底层的 CNN。
猜拳游戏（CNN）
你与模型玩一个猜拳游戏。这个实验使用从零开始训练的 CNN。
猜拳游戏（MobilenetV2）
你与模型玩一个猜拳游戏。这个模型使用了迁移学习，基于MobilenetV2。
对象检测（MobileNetV2）
你通过相机向模型展示你的环境，它会尝试检测和识别物体。该模型使用迁移学习，基于 MobilenetV2。
图像分类（MobileNetV2）
你上传一张图片，模型尝试根据它“看到”的内容对图片进行分类。该模型使用迁移学习，基于 MobilenetV2。
一个循环神经网络（RNN）是深度神经网络的一类，最常应用于序列数据，如语音、文本或音乐。它们用于机器翻译、语音识别、语音合成等。
数字求和
你输入一个求和表达式（即17+38），模型预测结果（即55）。有趣的是，模型将输入视作一个序列，意味着它学会了当你输入一个序列1 → 17 → 17+ → 17+3 → 17+38时，它会将其“翻译”为另一个序列55。你可以将其理解为将西班牙语的 Hola 序列翻译成英语的 Hello。
莎士比亚文本生成
你开始输入一首像莎士比亚那样的诗歌，模型将继续像莎士比亚一样创作。至少它会尝试这样做。
维基百科文本生成
你开始输入一篇 Wiki 文章，模型尝试继续创作。
正如我上面提到的，这个代码库的主要目的是作为一个学习的游乐场，而不是用于生产就绪的模型。因此，主要计划是继续学习和实验深度学习挑战和方法。接下来可能会有趣的挑战包括：
-
情感检测
-
风格迁移
-
语言翻译
-
生成图像（即手写数字）
另一个有趣的机会是调整现有模型以提高性能。我相信这可以更好地理解如何克服过拟合和欠拟合，以及当模型在训练和验证集上的准确率停留在 60%并且不再提升时应该怎么做。
希望你能从这个代码库中找到一些有用的模型训练见解，或者至少在尝试演示时玩得开心！
原文。经许可转载。
相关：
1. Google 网络安全证书 - 快速进入网络安全职业轨道
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT 需求