JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
В листинге 4.6 показан основной код для обучения и оценки нашей усовер­
шенствованной сверточной сети. Если сравнить его с кодом из листинга 4.2, 
сходство двух фрагментов кода становится очевидным. В основе обоих лежат 
вызовы 
Model.fit()
и 
Model.evaluate()
. Синтаксис и стиль кода одинаковы, за 
исключением нюансов визуализации и отображения значений потерь, показателя 
безошибочности и хода обучения в различных пользовательских интерфейсах 
(терминал и браузер).
Это демонстрирует важное свойство TensorFlow.js — фреймворка глубокого 
обучения на JavaScript, работающего как в клиентской, так и в прикладной части: 
«В части создания и обучения моделей код, создаваемый с помощью TensorFlow.js, 
одинаков, независимо от того, работаете вы с браузером или Node.js».
Листинг 4.6.
Обучение и оценка работы усовершенствованной модели в tfjs-node
4.3.2.
Сохранение модели из Node.js 
и загрузка ее в браузере
Обучение модели требует расхода ресурсов CPU и GPU и занимает определенное 
время. Не хотелось бы, чтобы полученные результаты обучения оказались беспо­
лезными. Если не сохранить модель, придется начинать все с начала при следующем 
запуске 
main.js
. В этом подразделе мы покажем, как сохранить обученную модель 
и экспортировать сохраненную модель в файл на диске (создать так называемую 
контрольную точку
(checkpoint), она же 
артефакт
(artifact)). Мы также проде­
монстрируем, как импортировать контрольную точку в браузер, преобразовать ее 
обратно в модель и воспользоваться ею для вывода. Концовка функции 
main()
из 
файла 
main.js
состоит из кода сохранения модели, приведенного в листинге 4.7.
Листинг 4.7.
Сохранение обученной модели в файловую систему в tfjs-node
if (modelSavePath != null) {
await model.save(`file://${modelSavePath}`);
console.log(`Saved model to path: ${modelSavePath}`);
}

---