JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 1. Глубокое обучение и JavaScript
45
z
z
Все эти проблемы с возможной задержкой и сетевыми соединениями решают­
ся, если вывод выполнять на стороне клиента, ведь тогда данные не покидают 
устройства, на котором производятся вычисления. Работа приложений машин­
ного обучения реального времени, например маркирование объектов и обнару­
жение людей на снимках с веб­камеры, возможна только при функционировании 
модели исключительно на клиенте. Даже для приложений, у которых нет жестких 
требований к задержке, снижение времени ожидания вывода модели приводит 
к повышению быстроты реакции, а значит, к более приятному опыту взаимодей­
ствия пользователя.
z
z
Защита персональных данных.
Еще одно преимущество того, что обучающие 
данные и данные вывода не покидают клиент. Вопрос защиты персональной 
информации обретает сейчас все больший вес. Для некоторых типов приложе­
ний защита персональной информации — обязательное требование. Очевидный 
пример — приложения, работающие с медицинскими и прочими связанными со 
здоровьем пользователей данными. Представьте себе приложение для диагно­
стики кожных заболеваний, собирающее снимки кожи пациентов с веб­камеры 
и генерирующее возможные диагнозы с помощью глубокого обучения. Во многих 
странах нормы защиты персональной информации в сфере медицины запрещают 
перемещение подобных изображений для выполнения вывода на центральный 
сервер. А благодаря выводу данных модели в браузере передавать какие­либо 
сведения с пользовательского телефона и хранить их снаружи не требуется, что 
гарантирует защиту персональных медицинских данных пользователей.
z
z
Представьте себе еще одно приложение на основе браузера, в котором применя­
ется глубокое обучение для выдачи пользователям рекомендаций по улучшению 
написанного ими текста. Некоторые используют это приложение для подготовки 
важных материалов наподобие юридических документов и не хотели бы переме­
щения информации на удаленный сервер по Интернету. А выполнение модели 
исключительно в JavaScript браузера на стороне клиента — эффективный способ 
решения проблемы.
z
z
Мгновенное ускорение с помощью WebGL.
Помимо доступности данных, для ра­
боты моделей машинного обучения в браузере необходимы подходящие вычис­
лительные мощности, которых обычно можно достичь с помощью GPU. Как уже 
упоминалось ранее, многие передовые модели глубокого обучения требуют таких 
вычислительных ресурсов, что без ускорения с помощью параллельных вычис­
лений на GPU не обойтись (разве что пользователи готовы ждать по несколько 
минут одного­единственного результата вывода, что редкость в случае реальных 
приложений). К счастью, современные браузеры оснащены API WebGL, кото­
рый хотя и предназначался изначально для ускорения визуализации двумерной 
и трехмерной графики, но может использоваться для ускорения работы ней­
ронных сетей при соответствующем распараллеливании вычислений. Авторы 
TensorFlow.js заботливо подготовили библиотеку для ускорения вычислений 
глубокого обучения с помощью WebGL, так что для использования этих возмож­
ностей достаточно добавить одну строку импорта в JavaScript.

---

46