JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 12. Тестирование, оптимизация и развертывание моделей
515
вание весов этой модели после обучения — для ускорения загрузки страницы. 
Однако перед этим необходимо убедиться, что подобное квантование не приведет 
к существенному ухудшению качества генерируемых изображений. Проверьте, 
насколько приемлем в этом смысле каждый из вариантов 16­ и 8­битного кван­
тования. Воспользуйтесь технологическим процессом 
tensorflowjs_converter
, 
описанным в подразделе 12.2.1. Какими критериями оценки качества сгенериро­
ванных изображений MNIST вы воспользуетесь в данном случае?
2. Одно из преимуществ моделей TensorFlow, работающих в виде расширения 
Chrome, — возможность управлять самим браузером Chrome. В примере speech­
commands из главы 4 мы показали, как распознавать голосовые команды с помо­
щью сверточной модели. API расширений Chrome предоставляет возможность 
выполнения запросов и перехода с вкладки на вкладку. Попробуйте встроить 
модель speech­commands в расширение и научите его распознавать фразы next 
tab (следующая вкладка) и previous tab (предыдущая вкладка). Воспользуйтесь 
результатами работы этого классификатора для управления тем, какая вкладка 
браузера активна в настоящий момент.
3. Инфобокс 12.3 описывает, как правильно измерять время выполнения вызова 
метода 
predict()
модели TensorFlow.js (выполнения вывода), и нюансы этого 
процесса. В данном упражнении загрузите модель MobileNetV2 в TensorFlow.js 
(чтобы освежить свои знания об этом, см. пример simple­object­detection в раз­
деле 5.2) и измерьте длительность выполнения его вызова метода 
predict()
.
А. Сначала сгенерируйте тензор изображений со случайными значениями фор­
мы 
[1,
224,
224,
3]
и измерьте длительность вывода модели на его основе, 
следуя изложенному в инфобоксе 12.3 алгоритму. Сравните результаты такого 
хронометража с вызовом 
array()
или 
data()
для выходного тензора (или без 
него). Какой из вариантов выполняется быстрее? В каком случае время из­
меряется правильно?
Б. Постройте график значений длительности выполнения при проведении пра­
вильного измерения 50 раз в цикле с помощью линейной диаграммы из би­
блиотеки tfjs­vis (глава 7) и почувствуйте колебания этих значений. Заметно 
ли, что первые несколько измерений существенно отличаются от остальных? 
С учетом этого наблюдения обсудите важность «прогрева» при оценке быстро­
действия.
В. В отличие от задач А и Б возьмите вместо сгенерированного случайным обра­
зом входного тензора настоящий тензор изображения (например, полученный 
из элемента 
img
с помощью метода 
tf.browser.fromPixels()
) и повторите из­
мерения из задачи Б. Влияет ли существенно содержимое входного тензора 
на хронометраж?
Г. Вместо выполнения вывода для отдельного примера данных (размер бат­
ча = 1) попробуйте увеличить размер батча до 2, 3, 4 и т. д., вплоть до относи­
тельно большого числа, скажем 32. Является ли зависимость между средним 
временем выполнения вывода и размером батча монотонно возрастающей? 
Линейной?

---

516