JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Рис. 5.6.
UI примера webcam-transfer-learning
1
После сбора обучающих изображений нажмите кнопку 
Train Model
, чтобы запу­
стить процесс переноса обучения. Он займет лишь несколько секунд. Вы увидите, 
как значение выводимой на экране функции потерь падает до тех пор, пока не до­
стигнет очень маленького положительного значения (например, 0,00010) и переста­
нет меняться. В этот момент модель переноса обучения уже обучена и с ее помощью 
можно играть. Для запуска игры просто нажмите кнопку 
Play
и подождите, пока со­
стояние игры не стабилизируется. После этого модель будет выводить результаты 
в режиме реального времени для потока получаемых с веб­камеры изображений. 
Для каждого кадра видео в нижнем правом углу UI будет выделяться ярко­желтым 
1 
Созданием UI примера webcam­transfer­learning мы обязаны Джимбо Уилсону и Шену 
Картеру. Видеозапись этого развлекательного примера в действии вы можете найти по 
адресу https://youtu.be/YB­kfeNIPCE?t=941.

---

200
Часть II • Введение в TensorFlow.js
цветом класс­победитель (класс, которому модель присвоила максимальную веро­
ятность). Кроме того, Пакман переместится в соответствующем направлении (если 
ему не помешает стена).
Для незнакомых с машинным обучением эта демонстрация выглядит каким­то 
колдовством, но в ее основе лежит простой алгоритм переноса обучения, использу­
ющий MobileNet для решения задачи четырехклассовой классификации. В алгорит­
ме используется небольшое количество данных, собранных с помощью веб­камеры. 
Вы маркируете эти изображения с помощью нажатия и удержания клавиши во время 
сбора. Благодаря возможностям переноса обучения этот процесс не требует большо­
го объема обучающих данных и не занимает много времени (может работать даже на 
смартфоне). Вот как, по существу, работает данная демонстрация. Если же вам инте­
ресны технические подробности, загляните далее вместе с нами в код TensorFlow.js.
Изучаем нюансы переноса обучения для веб-камеры
Базовую модель загружает код из листинга 5.3 (из файла 
webcam-transfer-learning/
index.js
). В частности, мы загружаем версию MobileNet, подходящую для работы 
в TensorFlow.js. В инфобоксе 5.1 описаны нюансы преобразования этой модели 
из формата библиотеки глубокого обучения Keras Python в формат TensorFlow.js. 
После загрузки модели мы используем метод 
getLayer()
для получения ссылки на 
один из ее слоев. Метод 
getLayer()
позволяет обозначать слои по названию (в дан­
ном случае 
'conv_pw_13_relu'
). Наверное, вы помните и другой способ обращения 
к слоям модели из подраздела 2.4.2 — путем индексации атрибута 
layers
, в котором 
все слои модели хранятся в виде JavaScript­массива. Этот подход удобен лишь 
тогда, когда модель состоит из относительно небольшого количества слоев. А наша 
MobileNet включает 93 слоя, так что подобный подход в ее случае ненадежен (что, 
если, например, в будущем в модель добавятся новые слои?). Надежнее будет вос­
пользоваться подходом на основе названий и метода 
getLayer()
, если допустить, что 
авторы MobileNet не станут менять названия ключевых слоев при выпуске новых 
версий модели.
Листинг 5.3.
Загрузка MobileNet и создание на ее основе «усеченной» модели

---