JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Приложения
Приложение 
A
. 
Установка библиотеки tfjs-node-gpu и ее зависимостей
 ................... 544
A.1. Установка tfjs-node-gpu в Linux
 ........................................................................... 544
A.2. Установка tfjs-node-gpu в Windows
 ..................................................................... 547
Приложение Б. 
Краткое руководство по тензорам и операциям над ними 
 
в TensorFlow.js
 ............................................................................................................ 549
Б.1. Создание тензоров и соглашения по поводу их осей координат
 ......................... 549
Б.1.1. Скаляры (тензоры ранга 0)
 ..................................................................... 550
Б.1.2. tensor1d (тензоры ранга 1)
 ..................................................................... 552
Б.1.3. tensor2d (тензоры ранга 2)
 ..................................................................... 553
Б.1.4. Тензоры ранга 3 и более высоких рангов
 ................................................ 554
Б.1.5. Понятие батчей данных
 .......................................................................... 555
Б.1.6. Примеры тензоров из практики
 ............................................................... 556
Б.1.7. Создание тензоров из тензорных буферов
 .............................................. 558
Б.1.8. Создание тензоров, содержащих одних нули и одни единицы
 ................. 559
Б.1.9. Создание тензоров со случайными значениями
 ....................................... 560
Б.2. Основные операции над тензорами
 .................................................................... 561
Б.2.1. Унарные операции
 .................................................................................. 562
Б.2.2. Бинарные операции
 ................................................................................ 564
Б.2.3 Конкатенация и срезы тензоров
 .............................................................. 565
Б.3. Управление памятью в TensorFlow.js: tf.dispose() и tf.tidy()
 ................................. 568
Б.4. Вычисление градиентов
 ..................................................................................... 571
Упражнения
 ................................................................................................................ 574

---

Предисловие
Когда мы только начинали разработку библиотеки TensorFlow.js (TF.js), ранее на­
зывавшейся deeplearn.js, машинное обучение (machine learning, ML) выполнялось 
в основном на Python. А поскольку мы писали программы на JavaScript и активно 
использовали машинное обучение в команде Google Brain, то быстро заметили 
возможность связать обе сферы. Сегодня благодаря TF.js новому поколению разра­
ботчиков из обширного сообщества JavaScript доступно создание и развертывание 
моделей машинного обучения, а также новые классы локальных вычислений.
TF.js не существовала бы в нынешнем виде без Шэнкуинга, Стэна и Эрика. 
Их работа над Python TensorFlow, включая отладчик TensorFlow, немедленное 
выполнение кода, а также инфраструктуру сборки и тестирования, обеспечила им 
уникальные возможности для соединения миров Python и JavaScript. Еще в самом 
начале разработки их команда поняла, что необходима библиотека поверх deep­
learn.js, которая бы включала высокоуровневые стандартные блоки для создания 
моделей машинного обучения. Шэнкуинг, Стэн и Эрик совместно с другими раз­
работчиками придумали API слоев TF.js (TF.js Layers) для преобразования моделей 
Keras в JavaScript, резко расширив таким образом множество доступных моделей 
в экосистеме TF.js. А когда разработка TF.js Layers была завершена, библиотека TF.js 
была выпущена для широкой публики.
Стремясь выяснить настроения, затруднения и пожелания разработчиков про­
граммного обеспечения, Кэрри Цай и Филип Гао развернули соцопрос на сайте TF.js. 
Эта книга представляет собой непосредственную реакцию на резюме этого опроса: 
«В результате исследования мы выяснили, что разработчики хотели бы видеть 
фреймворки машинного обучения, способные не просто предоставить API, — им 
требовалось нечто более фундаментальное: помощь в понимании и применении 
самого машинного обучения»
1
.
В книге «JavaScript для глубокого обучения» удачно сочетаются элементы 
теории глубокого обучения и реальные примеры на JavaScript с использованием 
TF.js. Это прекрасный источник информации как для JavaScript­разработчиков, 
у которых еще нет опыта машинного обучения или теоретического математического 
образования, так и для опытных пользователей ML, желающих расширить свою 
деятельность на экосистему JavaScript. Эта книга написана с ориентацией на образец