JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 5. Перенос обучения: переиспользование предобученных нейронных сетей
223
предметными областями — прекрасный пример гибкости и переиспользуемости 
глубокого обучения, главных причин широкого успеха этой сферы исследований.
Для иллюстрации воспользуемся новой задачей 
обнаружения объектов
(object 
detection) — первым в книге типом задач машинного зрения, не связанных с клас­
сификацией. Обнаружение объектов связано с выявлением в изображении опре­
деленных классов объектов. В чем отличия от классификации? При обнаружении 
объектов результат представляет собой не только класс обнаруженного объекта 
(к какому типу он относится), но и дополнительную информацию относительно его 
расположения в изображении (где этот объект находится). Эту вторую половину 
информации простой классификатор не предоставляет. Например, в стандарт­
ной системе обнаружения объектов, используемой в беспилотных автомобилях, 
результаты анализа входного изображения системой включают не только типы 
присутствующих там объектов, которые нас интересуют (например, автомобилей 
и пешеходов), но и местоположение, видимый размер и пространственное располо­
жение объектов в системе координат изображения.
Пример кода вы можете найти в каталоге 
simple-object-detection
репозитория tfjs­
examples. Учтите, что пример отличается от виденных вами ранее, поскольку обучение 
модели в Node.js в нем сочетается с выполнением вывода в браузере. Если точнее, об­
учение модели производится с помощью tfjs­node (или tfjs­node­gpu), после чего обу­
ченная модель сохраняется на диск. Далее для выдачи сохраненных файлов модели, 
наряду со статическими файлами 
index.html
и 
index.js
, используется сервер parcel — 
так мы продемонстрируем выполнение вывода на основе этой модели в браузере.
Для запуска примера используется такая последовательность команд (она вклю­
чает несколько строк комментариев, которые при вводе можно опустить):
git clone https://github.com/tensorflow/tfjs-examples.git
cd tfjs-examples/simple-object-detection
yarn
# Необязательный шаг для обучения собственной модели с помощью Node.js:
yarn train \
--numExamples 20000 \
--initialTransferEpochs 100 \
--fineTuningEpochs 200
yarn watch # Выполняем в браузере вывод для обнаружения объектов
Команда 
yarn
train
запускает обучение модели на локальной машине, по завер­
шении которого сохраняет модель в каталоге 
./dist
. Учтите, что эта операция за­
нимает много времени и лучше выполнять ее с помощью GPU с поддержкой CUDA, 
ускоряющего обучение в 3–4 раза. Для этого необходимо лишь добавить в команду 
yarn
train
флаг 
--gpu
:
yarn train 
--gpu
\
--numExamples 20000 \
--initialTransferEpochs 100 \
--fineTuningEpochs 200
Впрочем, если у вас нет времени или ресурсов, чтобы обучить модель на своей 
машине, не волнуйтесь: просто пропустите команду 
yarn
train
и перейдите непо­
средственно к 
yarn
watch
. На странице вывода, работающей в браузере, вы сможете 
загрузить уже обученную модель из централизованного хранилища по HTTP.

---

224