JavaScript для глубокого обучения 2021 TensorFlow js Ббк

раздела 3.3, совпадает ли приблизительно безошибочность классификации для трех 
видов ирисов. Если контрольный или оценочный набор данных слишком смещен 
в сторону одной из групп, вполне возможно, что модель всегда выдает неправиль­
ные ответы для наименьшей группы, хотя проблема с безошибочностью и не про­
является слишком явно. Как и в случае со средством проверки модели, тенденции 
в зависимости от времени часто столь же полезны, как и измерения в отдельные 
моменты времени.

---

486
Часть IV • Резюме и заключительное слово
12.2. Оптимизация модели
После того как вы методично создали, обучили и протестировали модель, пора 
применить ее в деле. Этот процесс — 
развертывание модели
(model deployment) — 
ничуть не менее важен, чем предыдущие шаги разработки модели. Неважно, от­
правляется ли модель на сторону клиента для выполнения вывода или будет об­
служивать пользователей в прикладной части, она всегда должна работать быстро 
и эффективно. Если точнее, желательно, чтобы:
z
z
размер модели был небольшим, благодаря чему она бы быстро загружалась через 
Интернет или с диска;
z
z
при вызове метода 
predict()
модели потреблялось как можно меньше вычисли­
тельных ресурсов, памяти и времени.
В этом разделе описываются доступные в TensorFlow.js методики для оптими­
зации размера и скорости выполнения вывода на основе обученных моделей перед 
их развертыванием.
Слово 
«оптимизация»
слишком перегружено смыслами. В этом разделе мы будем 
понимать под 
оптимизацией
усовершенствования, связанные с сокращением раз­
меров модели и ускорения вычислений. Не путайте ее с методиками оптимизации 
весовых параметров в контексте обучения модели и оптимизаторов, например с гра­
диентным спуском. Иногда их называют 
качеством
(quality) и 
эффективностью
(performance) модели соответственно. Эффективность отражает количество времени 
и ресурсов, необходимых модели для решения поставленной задачи. Качество от­
ражает близость результатов к идеальным.
12.2.1. Оптимизация размера модели посредством 
квантования весовых коэффициентов модели 
после обучения
Веб­разработчикам совершенно очевидно, что файлы должны быть маленькими 
для быстрой загрузки их через Интернет. Что особенно важно, если веб­сайт ори­
ентирован на работу с большим количеством пользователей или на пользователей 
с медленным интернет­соединением
1
. Кроме того, при хранении модели на мобиль­
ном устройстве (см. обсуждение мобильного развертывания с помощью TensorFlow.
js в подразделе 12.3.4), размер модели часто ограничивается небольшим доступным 
1 
В марте 2019 года компания Google опубликовала дудл, демонстрирующий нейронную 
сеть, способную сочинять музыку в стиле Иоганна Себастьяна Баха (http://mng.bz/
MOQW). В основе этой браузерной нейронной сети лежал TensorFlow.js. Модель была 
квантована на 8­битные целые числа при помощи описанных в этом разделе методов, 
что сократило ее передаваемый по сети размер в несколько раз, примерно до 380 Кбайт. 
Без такого квантования показывать эту модель такой обширной аудитории пользователей, 
как у домашней страницы Google (где отображаются дудлы), было бы невозможно.

---