JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
загружающей эту преобразованную модель с диска, сохраненный формат иденти­
чен модели, созданной и обученной в TensorFlow.js: можно просто вызвать метод 
tf.loadLayersModel()
, передав ему путь к файлу 
model.json
(либо в браузере, либо 
в Node.js). Именно это и происходит в листинге 5.3.
Загруженная модель MobileNet готова к выполнению задачи ML, для которой она 
изначально была обучена, — классификации входных изображений по 1000 классов 
набора данных ImageNet. Учтите, что этот конкретный набор данных в значительной 
степени ориентирован на изображения животных, особенно различные породы кошек 
и собак (вероятно, это связано с большой распространенностью подобных изображений 
в Интернете). Этот сценарий использования иллюстрирует пример MobileNet из репо­
зитория tfjs­example (
https://github.com/tensorflow/tfjs-examples/tree/master/mobilenet
). 
Впрочем, в этой главе нас не интересует подобное непосредственное применение 
MobileNet; мы хотим воспользоваться загруженной моделью для переноса обучения.
Приведенный выше метод 
tfjs.converters.save_keras_model()
умеет преобразовывать 
и сохранять не только модель MobileNet, но и другие приложения Keras, например 
DenseNet и NasNet. В упражнении 3 в конце главы вам предстоит попытаться преобра­
зовать в формат TensorFlow.js другое приложение Keras (MobileNetV2) и загрузить его 
в браузере. Более того, стоит отметить, что метод 
tfjs.converters.save_keras_model()
можно использовать вообще для любых объектов моделей, созданных или обученных 
в Keras, а не только моделей из модуля 
keras.applications
.
Что же мы будем делать со слоем 
conv_pw_13_relu
после получения на него 
ссылки? Создадим новую модель, включающую слои исходной модели MobileNet, 
начиная с ее первого (входного) слоя и до слоя 
conv_pw_13_relu
. В книге вы первый 
раз сталкиваетесь с подобным стилем конструирования модели, так что не помешает 
пояснить его идею подробнее. Для этого нам понадобится ввести понятие 
символи-
ческого тензора
(symbolic tensor).
Создание моделей из символических тензоров
Вы уже знакомы с понятием тензора. 
Tensor
— базовый тип данных (сокращенно 
dtype
) в TensorFlow.js. Объект тензора содержит конкретные числовые значения 
заданной формы и типа, хранимые в текстурах WebGL (если речь идет о браузере 
с поддержкой WebGL) или памяти CPU/GPU (в Node.js). 
SymbolicTensor
— отдель­
ный важный класс библиотеки TensorFlow.js. Символический тензор не содержит 
конкретных значений, только описывает их форму и dtype. Его можно рассматривать 
как слот (заполнитель), в который позднее можно вставить фактический тензор при 
условии совместимости формы и типа значения тензора. В TensorFlow.js объект 
слоя или модели принимает один или несколько входных сигналов (до сих пор мы 
сталкивались только со случаями одного входного сигнала), представленных в виде 
одного или нескольких символических тензоров.
Воспользуемся аналогией, чтобы лучше понять, что такое символические тен­
зоры. Представьте себе функцию языка программирования, например Java или 
TypeScript (или любого другого знакомого вам статически типизированного языка 

---