JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
Здесь мы предполагаем, что бинарные файлы node доступны по пути к испол­
няемым файлам, раз вы уже установили yarn (см. дополнительную информацию 
в приложении A).
С помощью только что описанного технологического процесса вы можете обучить 
нашу расширенную сверточную сеть на своем CPU. Если на вашей рабочей станции 
или ноутбуке есть GPU с поддержкой CUDA, вы можете также обучить модель на 
своем GPU. Для этого необходимо сделать следующее.
1. Установить нужную версию драйвера CUDA для своего GPU.
2. Установить набор инструментов NVIDIA CUDA — библиотеку, с помощью ко­
торой можно выполнять универсальные распараллеленные вычисления на GPU 
производства NVIDIA.
3. Установить CuDNN — основанную на CUDA библиотеку высокоскоростных ал­
горитмов глубокого обучения компании NVIDIA (подробнее шаги 1–3 описаны 
в приложении A).
4. В файле 
package.json
заменить зависимость 
@tensorflow/tfjs-node
на 
@ten-
sorflow/tfjs-node-gpu
, не меняя номера версии, поскольку выпуски этих двух 
пакетов синхронизированы между собой.
5. Снова выполнить команду 
yarn
для скачивания библиотеки общего пользования, 
включающей математические операции CUDA, применяемые TensorFlow.js.
6. Заменить строку:
require('@tensorflow/tfjs-node');
в файле 
main.js
на:
require('@tensorflow/tfjs-node-gpu');
7. Снова запустить обучение с помощью команды:
node main.js
Если все шаги выполнены должным образом, модель начнет обучаться с не­
слыханной скоростью, обычно раз в пять превышающей скорость обучения на 
CPU­версии (tfjs­node). Обучение модели с помощью как CPU­, так и GPU­версий 
tfjs­node происходит значительно быстрее, чем в браузере.
Обучение усовершенствованной сверточной сети 
для MNIST в tfjs-node
По завершении 20 эпох обучения модель демонстрирует итоговую безошибочность 
на контрольном (или проверочном) наборе данных около 99,6 % — намного больше 
предыдущего результата 99 %, достигнутого в разделе 4.2. Какие же различия между 
моделью, основанной на node, и браузерной моделью приводят к подобному скачку 
безошибочности? В конце концов, если обучить одну и ту же модель в tfjs­node 
и браузерной версии TensorFlow.js на обучающих данных, результаты не должны 
различаться (за исключением эффектов инициализации весов случайными значени­

---