JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
По завершении обучения модель должна достичь итоговой безошибочности на 
проверочном (контрольном) наборе данных примерно 94 %.
Обученная модель сохраняется по пути, заданному с помощью флага в преды­
дущей команде. Как и в случае сверточной сети для MNIST, обученной нами с по­
мощью tfjs­node, сохраненную модель позже можно загрузить в браузере. Впрочем, 
для получения данных с микрофона и предварительного их преобразования в под­
ходящий для использования моделью формат необходимы определенные знания 
API WebAudio. Для вашего удобства мы написали класс­адаптер, который умеет 
не только загружать обученную сверточную сеть для аудиоданных, но и выполнять 
ввод и предварительную обработку данных. Если вам интересны механизмы кон­
вейера ввода аудиоданных, можете заглянуть в исходный код из репозитория Git 
tfjs­model, расположенный в каталоге 
speech-commands/src
. Этот адаптер доступен 
через систему управления пакетами npm под названием 
@tensorflow-models/speech-
commands
. В листинге 4.9 показан весьма минималистичный пример использования 
этого класса для онлайн­распознавания слов речевых команд в браузере.
В каталоге 
speech-commands/demo
репозитория tfjs­models вы найдете более 
полноценный пример применения этого пакета. Для клонирования и запуска демон­
страционного примера выполните следующие команды в каталоге 
speech-commands
:
git clone https://github.com/tensorflow/tfjs-models.git
cd tfjs-models/speech-commands
yarn && yarn publish-local
cd demo
yarn && yarn link-local && yarn watch
Команда 
yarn
watch
автоматически открывает новую вкладку в браузере, ис­
пользуемом по умолчанию. Чтобы увидеть средство распознавания речевых ко­
манд в действии, убедитесь, что на вашей машине доступен микрофон (он встроен 
в большинство ноутбуков). Каждое распознанное слово из словаря будет сразу 
отображаться на экране вместе с содержащей его спектрограммой длительностью 
одна секунда. Перед вами браузерное средство распознавания отдельных слов 
в действии, основанное на API WebAudio и глубокой сверточной сети. Но ведь 
оно не способно распознавать связную речь, наделенную грамматикой, правда? 
Для подобного нам понадобятся базовые элементы других типов нейронных сетей, 
способные обрабатывать последовательную информацию. Мы вернемся к этому 
вопросу в главе 8.
Листинг 4.9.
Пример использования модуля @tensorflow-models/speech-commands

---