JavaScript для глубокого обучения 2021 TensorFlow js Ббк

ИНФОБОКС 12.2. Квантование весовых коэффициентов и моделей Python
В главе 5 мы показали, как модели Keras (Python) можно преобразовать в формат, 
подходящий для загрузки и использования в TensorFlow.js. Во время подобного пре­
образования Python­JavaScript можно произвести квантование весов. Для этого служит 
упомянутый в основном тексте флаг 
--quantization_bytes
. Например, для преобразо­
вания модели в формате HDF5 (.h5), сохраненной Keras, с применением 16­битного 
квантования необходимо использовать следующую команду:
tensorflowjs_converter \
--input_format keras \
--output_format tfjs_layers_model \
--quantization_bytes 2 \
"${KERAS_MODEL_H5_PATH}" "${TFJS_MODEL_PATH}"
В этой команде 
KERAS_MODEL_H5_PATH
— путь к экспортированной из Keras модели, 
а 
TFJS_MODEL_PATH
— путь сохранения преобразованной модели с квантованными ве­
совыми коэффициентами.
Конкретные показатели безошибочности могут немного отличаться при разных 
запусках вследствие инициализации весовых коэффициентов случайными значени­
ями и случайной перетасовки батчей данных во время обучения. Впрочем, общие 
выводы остаются теми же: как демонстрирует первая строка табл. 12.1, 16­битное 
квантование весов ведет к незначительным изменениям в MAE предсказания цен 

---

492
Часть IV • Резюме и заключительное слово
на недвижимость, а 8­битное квантование — к относительно значительному (но все 
равно крошечному в абсолютном выражении) росту MAE.
Таблица 12.1.
Безошибочность при оценке четырех различных моделей при квантовании весовых 
коэффициентов модели после обучения
Набор данных и модель
Потери при оценке и безошибочность без квантования 
и при различном уровне квантования
32-битная точность