JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 1. Глубокое обучение и JavaScript
59
а также генеративные модели для изображений, увеличивающие разрешение 
входных изображений.
Впрочем, эта книга даст вам базовые знания глубокого обучения, с которыми вы 
сможете сами изучить статьи и код, связанные с вышеупомянутыми продвинутыми 
приложениями.
Как и у любой другой технологии, у TensorFlow.js есть свои ограничения. Неко­
торые задачи ей не под силу. И хотя в будущем эти границы, вероятно, раздвинутся, 
не помешает четко себе представлять их по состоянию на текущий момент.
z
z
Выполнение моделей глубокого обучения, требования которых к памяти превы­
шают ограничения RAM и WebGL для отдельной вкладки браузера. При выпол­
нении вывода в браузере это обычно означает модель с суммарным объемом весов 
более ~100 Мбайт. Для обучения требуется больше памяти и вычислительных ре­
сурсов, так что вполне вероятно, что обучение даже меньших моделей на вкладке 
браузера будет происходить слишком медленно. Обучение модели обычно тре­
бует б
ó
льших объемов данных, чем вывод, — еще один ограничивающий фактор, 
который необходимо учитывать при оценке осуществимости обучения в браузере.
z
z
Создание высокопроизводительных моделей обучения с подкреплением, напри­
мер способных обыграть человека в го.
z
z
Распределенное (на нескольких машинах) обучение моделей DL с помощью 
Node.js.
Упражнения
1. Неважно, разработчик вы клиентской части на JavaScript или Node.js, попробуйте 
обсудить несколько возможных сценариев применения машинного обучения 
к системе, над которой вы сейчас работаете, чтобы сделать ее более «интеллек­
туальной». Почерпнуть идеи вы можете из табл. 1.1 и 1.2, а также из подразде­
ла 1.3.3. Вот еще несколько примеров.
А. Веб­сайт для продажи аксессуаров наподобие солнечных очков, где изображе­
ния лиц пользователей захватываются с помощью веб­камеры и выявляются 
ключевые точки лиц с помощью глубокой нейронной сети, работающей на 
основе TensorFlow.js. Выявленные ключевые точки затем используются для 
синтеза изображения с наложенными на лицо пользователя солнечными очка­
ми для имитации на веб­странице примерки очков. Эта примерка достаточно 
реалистична, поскольку благодаря выводу на стороне клиента она происходит 
с низким временем задержки и высокой частотой кадров. А поскольку захва­
ченный снимок лица не покидает браузера, гарантируется защита персональ­
ной информации пользователя.
Б. Мобильное спортивное приложение, написанное на React Native (кросс­
платформенная JavaScript­библиотека для создания нативных мобильных 
приложений), для мониторинга спортивных тренировок пользователей. С по­
мощью API HTML5 это приложение получает данные в режиме реального 
времени с гироскопа и акселерометра телефона. Эти данные пропускаются 

---

60