JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 12. Тестирование, оптимизация и развертывание моделей
511
Небольшая часть этих сверхмобильных приложений создана китайскими техно­
логическими гигантами, в частности WeChat компании Tencent, Alipay компании 
Alibaba и Baidu. Основной технологией, открывающей возможность создания сто­
ронних расширений, в них служит JavaScript, так что TensorFlow.js идеально под­
ходит для развертывания машинного обучения на этих платформах. Набор доступ­
ных в системах плагинов этих мобильных приложений API отличается от набора 
нативных API JavaScript, прочем так, что для развертывания на них потребуются 
определенные дополнительные знания и усилия.
Возьмем для примера WeChat. WeChat — наиболее распространенное приложе­
ние социальных медиа в Китае, более чем с миллиардом активных пользователей. 
В 2017 году WeChat запустил Mini Program — платформу, позволяющую разработ­
чикам приложений создавать мини­программы внутри системы WeChat. Пользо­
ватели могут обмениваться этими мини­программами и устанавливать их внутри 
приложения WeChat во время работы. Успех этой платформы был колоссальным. 
Ко второму кварталу 2018 года в экосистеме WeChat было более 1 миллиона ми­
ни­программ и более 600 миллионов их активных пользователей. А также более 
1,5 миллиона разработчиков приложений на этой платформе, частично вследствие 
популярности JavaScript.
API мини­программ WeChat нацелены на предоставление разработчикам про­
стого доступа к датчикам мобильных устройств (камере, микрофону, акселероме­
тру, гироскопу, GPS и т. д.). Однако нативные API предлагают лишь очень огра­
ниченную встроенную функциональность для машинного обучения. TensorFlow.js 
как решение для машинного обучения для мини­программ обладает несколькими 
достоинствами. До него, если разработчик хотел встроить в приложение машинное 
обучение, он должен был работать вне среды разработки мини­программ с сервер­
ным или облачным стеком инструментов машинного обучения. Что значительно 
усложняло для многих разработчиков мини­программ создание кода и применение 
машинного обучения. Развертывание внешней инфраструктуры выходит за рамки 
возможностей большинства разработчиков мини­программ. А при использовании 
TensorFlow.js разработка кода машинного обучения происходит прямо внутри 
нативной среды. Более того, подобное решение на стороне клиента помогает 
уменьшить сетевой трафик и снизить задержку, а также использует возможности 
GPU­ускорения на основе WebGL.
Создавшая TensorFlow.js команда разработала мини­программу для WeChat, 
с помощью которой можно подключить TensorFlow.js к своей собственной мини­
программе (см. 
https://github.com/tensorflow/tfjs-wechat
). Указанный репозиторий также 
содержит пример мини­программы, использующей PoseNet для подписи позиций 
и поз людей, замеченных камерой мобильного устройства. В ней используется 
TensorFlow.js с ускорением на основе недавно добавленного API WebGL от WeChat. 
Без доступа к GPU эта модель работала бы слишком медленно для большинства 
приложений. А в этом плагине скорость работы модели в мини­программе WeChat 
будет такой же, как и у JavaScript­приложения, работающего в мобильном браузере. 
На самом деле мы даже заметили, что API датчиков WeChat обычно работает 
бы-
стрее
, чем его аналог в браузере.

---

512