JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть I • Актуальность и основные понятия 
сравнима со скоростью Keras в Python. А значит, tfjs­node — подходящая среда для 
обучения больших моделей ML со значительными объемами данных. В книге при­
водятся примеры, в которых мы обучаем с помощью tfjs­node такие модели, которые 
не по зубам браузеру (например, модель для распознавания слов в главе 5 и средство 
анализа тональности текста в главе 9).
Но почему вообще имеет смысл предпочесть Node.js более широко известной 
среде Python для обучения моделей машинного обучения? Ответов два: 1) бы­
стродействие; 2) совместимость с уже существующим стеком и набором профес­
сиональных навыков программистов. Во­первых, что касается быстродействия, то 
новейшие интерпретаторы JavaScript (например, используемый Node.js движок V8) 
выполняют динамическую (JIT) компиляцию кода на JavaScript, что обеспечивает 
более высокую, по сравнению с Python, производительность. В результате обучение 
модели в tfjs­node зачастую занимает меньше времени, чем в Keras (Python), если 
эта модель достаточно мала для того, чтобы определяющим фактором была произ­
водительность интерпретатора языка.
Во­вторых, Node.js — очень популярная среда для создания серверных прило­
жений. Если ваша серверная часть уже написана на Node.js и вы хотите добавить 
в свой стек машинное обучение, будет разумнее воспользоваться tfjs­node, а не 
Python. Благодаря тому что весь код написан на одном языке, можно напрямую 
переиспользовать большие фрагменты базы кода, включая функции загрузки 
и форматирования данных, а значит, ускорить подготовку конвейера обучения 
модели. А поскольку в стек не добавляется новый язык, его сложность и затраты 
на сопровождение снижаются и, возможно, не придется дополнительно нанимать 
программиста на Python.
Наконец, написанный на TensorFlow.js код машинного обучения будет работать 
как в среде браузера, так и в Node.js, за исключением, возможно, кода обработки 
данных, использующего API, работающие исключительно в браузере или Node. 
Почти все примеры кода из книги будут работать в обеих средах. Мы приложили 
все усилия, чтобы отделить не зависящий от среды, ориентированный на машинное 
обучение код от ориентированного на конкретную среду кода ввода и обработки 
данных. Дополнительное преимущество состоит в том, что достаточно изучить одну 
библиотеку, чтобы проводить глубокое обучение как на стороне сервера, так и на 
стороне клиента.
1.2.2. Экосистема JavaScript
При оценке того, подходит ли JavaScript для определенного типа приложений, на­
пример для глубокого обучения, не стоит игнорировать исключительно обширную 
экосистему этого языка. На протяжении многих лет JavaScript неизменно занимал 
первое место среди нескольких десятков языков программирования по количеству 
репозиториев и запросов на включение кода на GitHub (см. 
http://githut.info/
). В си­
стеме управления пакетами npm, де­факто главном открытом репозитории пакетов 
JavaScript, по состоянию на июль 2018 года насчитывалось более 600 000 пакетов. 
Это более чем вчетверо превышает количество пакетов в PyPI, фактически главном 
открытом репозитории пакетов Python (
http://www.modulecounts.com/
). И хотя у ма­

---