JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Таким образом, одномерные сверточные сети — заманчивая альтернатива RNN 
для подобных задач обработки текста, особенно если учесть намного меньшие вы­
числительные затраты одномерных сверточных сетей по сравнению с RNN. При 
выполнении командам 
cnn
и 
lstm
видно, что обучение одномерной сверточной 
сети происходит почти в шесть раз быстрее обучения LSTM­модели. LSTM и RNN 
работают медленнее из­за пошагового выполнения внутренних операций, не допу­
скающих распараллеливания. сверточные же сети изначально приспособлены для 
распараллеливания.
Применения одномерной сверточной сети 
для выполнения вывода на веб-странице
В файле 
sentiment/index.js
вы найдете код, который развертывает обученную 
в Node.js модель для использования на стороне клиента. Чтобы увидеть клиентское 
приложение в действии, выполните команду 
yarn
watch
так же, как в прочих при­
мерах в этой книге. Эта команда скомпилирует код, запустит веб­сервер и автома­
тически откроет в браузере вкладку со страницей 
index.html
. На этой странице 
вы сможете нажать кнопку для загрузки обученной модели посредством HTTP­
запросов и выполнения с ее помощью анализа тональностей обзоров фильмов в окне 
ввода текста. В этом окне пример обзора фильма можно редактировать, так что вы 
можете вносить в него любые изменения и наблюдать за их влиянием на бинарные 
предсказания в режиме реального времени. Страница включает два готовых приме­
ра обзоров (позитивный и негативный), которыми вы можете воспользоваться как 
отправной точкой для своих экспериментов. Загруженная одномерная сверточная 
сеть работает достаточно быстро для генерации оценок тональностей на лету по мере 
ввода текста в окне.
Основная часть кода выполнения вывода очевидна (см. листинг 9.9, взятый из 
файла 
sentiment/index.js
), но стоит отметить несколько интересных нюансов.
z
z
До преобразования в индексы слов весь входной текст переводится в нижний 
регистр, все знаки препинания отбрасываются, а также удаляются лишние про­
белы. Это необходимо, поскольку используемый нами словарь содержит слова 
в нижнем регистре.
z
z
Особый индекс слова (
OOV_INDEX
) ставится в соответствие словам, не входя­
щим в словарь (OOV­словам). В их число входят редкие слова и слова с опе­
чатками.
z
z
Чтобы обеспечить нужную длину входных тензоров модели, используется та же 
функция 
padSequences()
, что и для обучения (см. листинг 9.7). Как мы уже ви­
дели, реализуется это посредством усечения и дополнения. Вот наглядный при­
мер преимуществ TensorFlow.js для подобных задач машинного обучения: один 
и тот же код предварительной обработки можно применять и для среды обучения 
в прикладной части, и для среды выдачи в клиентской части, снижая тем самым 
риск возникновения асимметрии данных (листинг 9.9) (более подробно риски 
асимметрии обсуждаются в главе 6).

---