Deep Learning with JavaScript
Shanqing Cai, Stanley Bileschi, Eric Nielsen, François Chollet
- Editorial
- Manning
- Año
- 2020
- Páginas
- ~350
- Nivel
- Intermedio
De qué trata
Guía oficial y práctica escrita por miembros del equipo de Google que enseña a diseñar, entrenar y ejecutar redes neuronales directamente en el navegador web y en el servidor con Node.js utilizando TensorFlow.js. Está dirigida a desarrolladores web frontend y full-stack con buen dominio de JavaScript (ES6+) y conceptos elementales de programación que buscan incorporar capacidades inteligentes a sus aplicaciones sin depender de infraestructuras externas de Python ni de llamadas costosas a APIs de terceros.
El libro detalla la arquitectura de las librerías `@tensorflow/tfjs` y `@tensorflow/tfjs-node`, cubriendo desde la manipulación matemática de tensores, variables y operaciones fundamentales, hasta la gestión explícita de memoria en la GPU para evitar fugas con `tf.tidy()` y `tf.dispose()`. Explora el módulo de capas declarativas `tf.layers` (equivalente funcional a Keras), optimizadores, métricas en tiempo real con la librería `tfjs-vis`, redes convolucionales (CNN) para visión por ordenador, transfer learning con modelos preentrenados ligeros como MobileNet, procesamiento de lenguaje natural y análisis de secuencias con redes recurrentes LSTM, agentes de aprendizaje por refuerzo profundo (DQN) y la conversión y cuantización de modelos entrenados en Python hacia el formato optimizado para la web.
Cada concepto se materializa en aplicaciones interactivas ejecutadas en el navegador: un clasificador de dígitos manuscritos en un canvas HTML con visualización de pesos, un predictor de precios inmobiliarios con regresión, un controlador de juego en tiempo real que reentrena MobileNet para manejar a Pac-Man mediante la cámara web del usuario, analizadores de texto con redes recurrentes y un agente autónomo de equilibrio físico en CartPole. Su valor sobresale por democratizar la IA en el ecosistema web con baja latencia, interactividad nativa y privacidad absoluta al procesar los datos en el cliente. Omite el entrenamiento distribuido a gran escala en supercomputadores, pero es la referencia definitiva para el desarrollo de aplicaciones de machine learning en JavaScript.
- JavaScript
- TensorFlow.js
- Node.js
- WebGL
- Redes convolucionales
- Transfer learning
- tfjs-vis
- Visión por webcam
- Redes LSTM
- Aprendizaje por refuerzo
- Optimización de modelos
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Clasificador interactivo de dígitos manuscritos en Canvas
Aplicación web que captura trazos dibujados a mano por el usuario sobre un lienzo HTML y predice el dígito en tiempo real mediante una red convolucional ejecutada en el navegador con monitoreo de métricas en tfjs-vis.
Controlador gestual de Pac-Man mediante cámara web
Sistema de interacción visual que aplica transfer learning en el navegador sobre la red MobileNet, asociando poses y direcciones capturadas en vivo por la cámara para controlar el juego de Pac-Man.
Predictor inmobiliario en el cliente
Modelo de regresión en JavaScript que procesa datos tabulares de viviendas, ejecuta el entrenamiento directamente en el cliente web y renderiza gráficos dinámicos de convergencia con tfjs-vis.
Agente de equilibrio CartPole con Deep Q-Networks
Simulador interactivo en el navegador donde un agente inteligente aprende a equilibrar un poste sobre un carro mediante aprendizaje por refuerzo profundo acelerado por WebGL.
