JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
По состоянию на конец 2019 года разработка функциональности машинного 
обучения для плагинов сверхмобильных приложений — совершенно нехоженая 
территория. Высокое быстродействие порой требует определенной помощи со сто­
роны самой платформы. Тем не менее это оптимальный способ для предоставления 
доступа к своему приложению сотням миллионов человек, для которых сверхмо­
бильное приложение 
и есть
Интернет.
12.3.7. Развертывание моделей TensorFlow.js 
на одноплатных компьютерах
Для многих веб­разработчиков сама идея развертывания программы на автономных 
одноплатных компьютерах представляется чуждой и технически слишком слож­
ной. Однако благодаря успеху Raspberry Pi проектирование и создание простых 
аппаратных устройств невероятно упростилось. Одноплатные компьютеры предо­
ставляют платформу для создания «умных» устройств без необходимости сетевого 
соединения с облачными серверами или громоздких, дорогостоящих компьютеров. 
Одноплатные компьютеры можно использовать для приложений системы безопас­
ности, контроля интернет­трафика, управления ирригацией почв — пределов их 
возможностям нет.
Многие из таких одноплатных компьютеров предоставляют контакты универ­
сального интерфейса ввода/вывода (general­purpose input­output, GPIO) для про­
стого подключения аппаратных систем управления и включают полный дистрибутив 
Linux, с помощью которых преподаватели, разработчики и хакеры могут создавать 
широкий спектр интерактивных устройств. Одним из популярных языков програм­
мирования для создания подобных устройств быстро стал JavaScript. Для взаимо­
действия на нижнем, физическом уровне разработчики могут использовать такие 
библиотеки node, как rpi­gpio, все — на JavaScript.
В TensorFlow.js, для поддержки таких пользователей есть в настоящее время 
две среды выполнения для этих встроенных устройств ARM: tfjs­node (CPU
1
) 
и tfjs­headless­nodegl (GPU). С помощью этих двух прикладных частей можно ис­
пользовать на этих устройствах всю библиотеку TensorFlow.js. Разработчики могут 
выполнять вывод с помощью готовых моделей или обучать свои собственные моде­
ли, все — на аппаратном обеспечении такого устройства!
В недавно появившихся устройствах, таких как NVIDIA Jetson Nano и Raspberry 
Pi 4, появилась технология 
«система на микросхеме» 
(system­on­chip, SoC) с со­
временным графическим стеком. Применяемый в ядре TensorFlow.js код WebGL 
позволяет использовать GPU этих устройств. С помощью автономного пакета 
WebGL (tfjs­headless­nodegl) пользователи могут запускать TensorFlow.js на Node.js 
с ускорением исключительно за счет GPU этих устройств (рис. 12.9). Благодаря 
1 
Для использования возможностей CPU с ускорением ARM NEON следует применять на 
этих устройствах пакет tfjs­node, обеспечивающий поддержку как архитектуры ARM32, так 
и ARM64.

---