JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 1. Глубокое обучение и JavaScript
55
При использовании Keras для реализации полного технологического процесса 
глубокого обучения хватает нескольких строк кода. Благодаря гибкости низкоуров­
невых и удобству использования высокоуровневых API TensorFlow и Keras обра­
зуют ведущую (в смысле использования в промышленности и научной среде) эко­
систему глубокого обучения (см. твит 
http://mng.bz/vlDJ
). Не стоит недооценивать их 
роль в обеспечении доступности глубокого обучения для широкой публики. До по­
явления фреймворков наподобие TensorFlow и Keras осуществлять глубокое обуче­
ние на практике могли только специалисты с навыками программирования CUDA 
и обширным опытом написания нейронных сетей на C++. Благодаря TensorFlow 
и Keras создание глубоких нейронных сетей с GPU­ускорением требует намного 
меньше навыков и усилий. Но оставалась одна проблема: раньше было невозможно 
реализовывать модели TensorFlow или Keras непосредственно в браузере. Для вы­
дачи обученных моделей DL в браузере приходилось выполнять HTTP­запросы 
к серверу прикладной части. Именно здесь и пригодилась TensorFlow.js. Создателями 
проекта TensorFlow.js были Нихиль Торат и Дэниел Смилков — два эксперта по 
визуализации данных глубокого обучения и человеко­машинному взаимодействию
1
из компании Google. Как мы уже упоминали, начало проекта TensorFlow.js заложи­
ла чрезвычайно популярная демонстрационная модель глубоких нейронных сетей 
TensorFlow Playground. В сентябре 2017 года была выпущена библиотека deeplearn.js 
с API, аналогичным низкоуровневому API TensorFlow. Она поддерживала опера­
ции над нейронными сетями с WebGL­ускорением, обеспечивая работу реальных 
нейронных сетей в браузере с низкими задержками вывода.
После первых успехов deeplearn.js к проекту присоединились и другие участники 
команды Google Brain, и он был переименован в TensorFlow.js. JavaScript API под­
вергся серьезной переработке для усиления его совместимости с TensorFlow. Кроме 
того, поверх низкоуровневого ядра был надстроен высокоуровневый API а­ля Keras, 
что значительно упростило для пользователей описание, обучение и выполнение 
моделей глубокого обучения в этой JavaScript­библиотеке. Сегодня все сказанное 
выше относительно мощи и удобства использования Keras справедливо и для 
TensorFlow.js. Для дальнейшего расширения совместимости были созданы средства 
преобразования для импорта в TensorFlow.js моделей, сохраненных из TensorFlow 
и Keras, а равно и экспорта их оттуда. После первой его демонстрации на конферен­
циях TensorFlow Developer Summit и Google I/O весной 2018­го (см. 
www.youtube.com/
watch?v=YB-kfeNIPCE
и 
www.youtube.com/watch?v=OmofOvMApTU
), TensorFlow.js быстро 
стала чрезвычайно популярной библиотекой глубокого обучения на JavaScript с наи­
большим на сегодня количеством веток среди всех подобных библиотек на GitHub.
На рис. 1.8 приведена общая архитектура TensorFlow.js. Нижний уровень от­
вечает за быстрые параллельные вычисления математических операций. Хотя 
большинству пользователей этот уровень не виден, его высокая производитель­
ность чрезвычайно важна и позволяет обеспечить максимально быстрое обучение 
модели и вывод на более высоких уровнях API. В браузере для GPU­ускорения 
используется WebGL (см. инфобокс 1.2). В Node.js доступны как прямые привязки 
для распараллеливания с помощью многоядерного процессора, так и GPU­ускорение 
1 
Интересная историческая справка: эти авторы также сыграли ключевую роль в создании 
TensorBoard — популярного инструмента визуализации моделей TensorFlow.

---

56