JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть I • Актуальность и основные понятия 
Например, при умножении матриц на каждом шаге вычислений используются данные 
из нескольких позиций и позиции взаимно зависимы. Но основная идея ускорения 
путем распараллеливания не меняется.
Интересно, что GPU изначально не были предназначены для ускорения вычислений 
нейронных сетей. Это видно даже из их названия: 
графический процессор
(graphics 
processing unit). Основная задача GPU — обработка двумерной и трехмерной графики. 
Во многих графических приложениях, например в трехмерных компьютерных играх, 
очень важно, чтобы обработка производилась как можно быстрее и частота обновления 
кадров изображений была достаточно высокой для создания у пользователя приятного 
впечатления от игры. Именно с этой целью создатели GPU изначально применили 
распараллеливание типа SIMD. Но в качестве приятного бонуса подобные GPU с воз­
можностью параллельных вычислений подходят и для нужд машинного обучения.
Библиотека WebGL, используемая TensorFlow.js для GPU­ускорения, изначально 
была создана для таких задач, как визуализация текстур (рельефов поверхностей) 
3D­объектов в браузере. Но текстуры — это просто массивы чисел! А значит, можно 
притвориться, что эти числа — веса или функции активации нейронной сети, и пере­
профилировать SIMD­операции библиотеки WebGL над текстурами для нейронных 
сетей. Именно так TensorFlow.js и выполняет ускорение вычислений нейронных сетей 
в браузере.
Помимо вышеупомянутых преимуществ, приложениям машинного обучения на 
основе браузеров присущи те же плюсы, что и веб­приложениям вообще, не связан­
ным с машинным обучением.
z
z
В отличие от нативных приложений созданные с помощью TensorFlow.js JavaScript­
приложения будут работать на множестве разных семейств устройств: от стацио­
нарных компьютеров Mac, Windows и Linux до устройств на Android и iOS.
z
z
Благодаря оптимизации 2D­ и 3D­графики браузер — наиболее функциональная 
и развитая среда для интерактивной визуализации данных. Где бы ни нужно 
было продемонстрировать поведение и внутреннее устройство нейронных се­
тей людям, сложно представить себе среду лучше браузера. Рассмотрим, на­
пример, Playground («песочницу») TensorFlow (
https://playground.tensorflow.org/
). 
Это чрезвычайно популярное веб­приложение, в котором можно интерактивно 
решать задачи классификации с помощью нейронных сетей. Можно модифи­
цировать структуру и гиперпараметры нейронной сети, наблюдая, как при этом 
меняются ее скрытые слои и выходные сигналы (рис. 1.6). Если вы еще не экс­
периментировали с ней — попробуйте обязательно. По мнению многих, это один 
из наиболее наглядных и восхитительных учебных инструментов по тематике 
нейронных сетей. Playground TensorFlow, по сути, является предшественником 
TensorFlow.js. Хотя и потомок Playground — библиотека TensorFlow.js — обладает 
намного более широкими возможностями глубокого обучения и намного лучшей 
оптимизацией быстродействия. Кроме того, она оснащена специализированным 
компонентом для визуализации моделей глубокого обучения (мы рассмотрим 
его подробно в главе 7). TensorFlow.js очень пригодится вам, неважно, требуется 

---