JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Таблица 1.2.
Краткое резюме преимуществ выполнения глубокого обучения на JavaScript
Соображения
Примеры
Причины, 
относящиеся 
к клиентской стороне
Снижение задержки вывода и обучения за счет локальности данных.
Возможность работы моделей даже при отключении клиента.
Защита персональной информации (данные не покидают браузер).
Уменьшение затрат на серверы.
Упрощенный стек развертывания
Причины, 
относящиеся 
к браузеру
Доступность разнообразных типов входных данных (видео­ и аудио­
API HTML5, а также API датчиков) для вывода и обучения.
Не нужно устанавливать.
Доступность параллельных вычислений без необходимости установки 
благодаря API WebGL для широкого диапазона GPU.
Поддержка на множестве платформ.
Идеальная интерактивная среда для визуализации.
Пронизанная естественными взаимосвязями среда открывает 
непосредственный доступ ко множеству разнообразных источников 
данных и ресурсов для машинного обучения
Продолжение 


---

52
Часть I • Актуальность и основные понятия 
Соображения
Примеры
Причины, связанные 
с JavaScript
JavaScript — по многим оценкам, наиболее популярный язык 
программирования с открытым исходным кодом, благодаря чему есть 
много талантливых энтузиастов, предпочитающих этот язык.
JavaScript отличается процветающей экосистемой и множеством 
приложений как на клиентской, так и на серверной стороне.
Node.js дает возможность выполнять приложения на серверной 
стороне без присущих браузерам ограничений ресурсов.
Движок V8 обеспечивает быструю работу JavaScript­кода
1.3. Почему именно TensorFlow.js
Чтобы проводить глубокое обучение на JavaScript, необходимо сначала выбрать 
библиотеку. Для книги мы выбрали библиотеку TensorFlow.js. В этом разделе мы 
расскажем, что представляет собой TensorFlow.js и почему мы выбрали именно ее.
1.3.1. Краткая история TensorFlow, Keras и TensorFlow.js
TensorFlow.js — библиотека, с помощью которой можно проводить глубокое обу­
чение на языке JavaScript. Как понятно из названия, TensorFlow.js спроектирована 
в расчете на полную совместимость с TensorFlow — фреймворком языка Python 
для глубокого обучения. Чтобы разобраться с TensorFlow.js, нам придется вкратце 
описать историю TensorFlow.
TensorFlow был создан как библиотека с открытым исходным кодом в ноябре 
2015 года командой специалистов по глубокому обучению из компании Google. 
В числе участников были и авторы данной книги. С момента появления популярность 
TensorFlow сильно выросла. Сейчас он применяется для широкого спектра промыш­
ленных приложений и исследовательских проектов как в Google, так и за его стенами, 
более широким сообществом разработчиков. Название 
TensorFlow
1
призвано отражать 
происходящее внутри типичной программы, написанной на его основе: представления 
данных, так называемые 
тензоры
, проходят через слои и другие узлы обработки дан­
ных, за счет чего выполняется обучение моделей ML и вывод на их основе.
Прежде всего, что такое тензор? Это просто «многомерный массив» в термино­
логии специалистов по вычислительной технике. В нейронных сетях и глубоком 
обучении все данные и результаты вычислений представляются в виде тензоров. 
Например, изображение в оттенках серого можно представить в виде двумерного 
массива чисел — двумерного тензора, цветное изображение обычно представляется 
в виде трехмерного тензора, дополнительное измерение в котором используется для 
цветовых каналов. Звук, видео, текст и все прочие виды данных можно представить 
в виде тензоров. У любого тензора есть два основных свойства: тип данных (напри­
1 
Образовано от слов «тензор» и «поток данных». — 
Примеч. пер.