JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
Пусть дана модель TensorFlow.js, сохраненная по пути 
my/layers-model
; преоб­
разовать ее в объект 
tf.GraphModel
можно с помощью следующей команды:
tensorflowjs_converter \
--input_format tfjs_layers_model \
--output_format tfjs_graph_model \
my/layers-model my/graph-model
Эта команда создает файл 
model.json
в выходном каталоге 
my/graph-model
(если данный каталог не существует, он будет создан), вместе с несколькими би­
нарными файлами для весовых коэффициентов. На первый взгляд может пока­
заться, что формат этого набора файлов идентичен файлам из входного каталога, 
содержащего сериализованный объект 
tf.LayersModel
. Однако выходные файлы 
кодируют иную разновидность модель — 
tf.GraphModel
(по которой данный метод 
оптимизации и назван). Для загрузки преобразованной модели в браузере или 
Node.js необходимо использовать метод 
tf.loadGraphModel()
вместо привычного 
вам 
tf.loadLayersModel()
. После загрузки объекта 
tf.GraphModel
можно выполнять 
вывод совершенно так же, как и в случае 
tf.LayersModel
, с помощью вызова метода 
predict()
этого объекта. Например:
Увеличение скорости вывода сопряжено с двумя ограничениями.
z
z
На момент написания данной книги последняя версия TensorFlow.js (1.1.2) 
не поддерживает преобразования в 
GraphModel
рекуррентных слоев, таких как 
tf.layers.simpleRNN()
, 
tf.layers.gru()
и 
tf.layers.lstm()
(см. главу 9).
z
z
У загруженного объекта 
tf.GraphModel
отсутствует метод 
fit()
, так что возмож­
ности дальнейшего обучения (например, переноса обучения) нет.
В табл. 12.3 приведено сравнение скоростей выполнения вывода для двух 
типов моделей с преобразованием 
GraphModel
и без него. Поскольку преобразо­
вание в 
GraphModel
рекуррентных слоев пока что не поддерживается, приведены 
только результаты для MLP и сверточной сети (MobileNetV2). Чтобы охватить 
развертывание в различных средах, в таблице представлены результаты как для 
браузера, так и для tfjs­node, запущенного в среде прикладной части. Из этой та­
блицы видно, что преобразование 
GraphModel
всегда ускоряет выполнение вывода, 
однако коэффициент ускорения зависит от типа модели и среды развертывания. 
Для браузерной среды развертывания (WebGL), преобразование 
GraphModel
дает 
ускорение на 20–30 %, в то время как при развертывании в среде Node.js ускорение 
намного более впечатляющее (70–90 %). Далее мы обсудим, почему преобразова­
ние 
GraphModel
ускоряет вывод, а также почему ускорение больше в случае Node.js, 
чем в браузерной среде.

---