JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
12.3.5. Развертывание моделей TensorFlow.js 
в межплатформенных приложениях 
для настольных компьютеров на JavaScript
JavaScript­фреймворки, такие как Electron.js, позволяют писать межплатформенные 
приложения для настольных компьютеров в чем­то аналогично написанию межплат­
форменных мобильных приложений на React Native. При использовании подобных 
фреймворков достаточно написать код один раз, чтобы потом развертывать и вы­
полнять его на всех основных операционных системах для настольных компьюте­
ров, включая macOS, Windows и основные дистрибутивы Linux. Это существенное 
упрощение по сравнению с традиционным технологическим процессом разработки, 
с отдельными базами кода для по большей части несовместимых операционных 
систем для настольных компьютеров. Возьмем для примера Electron.js, ведущий 
фреймворк из этой категории. В нем в качестве виртуальной машины, служащей ба­
зой для основного процесса приложения, используется Node.js; для GUI приложения 
используется Chromium — полноценный, хотя и облегченный браузер, значительная 
часть кода которого едина с Google Chrome.
TensorFlow.js совместим с Electron.js, как демонстрирует простой пример из ре­
позитория tfjs­examples. Этот пример, который вы можете найти в каталоге electron, 
демонстрирует развертывание модели TensorFlow.js для выполнения вывода в осно­
ванном на Electron.js приложении для настольных компьютеров, предназначенном 
для поиска файлов изображений в файловой системе, соответствующих визуально 
одному или нескольким ключевым словам (рис. 12.7). Этот процесс поиска включает 
применение модели MobileNet TensorFlow.js к содержащему изображения каталогу 
для выполнения вывода.
Несмотря на простоту, это приложение иллюстрирует важный нюанс развер­
тывания моделей TensorFlow.js в приложениях Electron.js — выбор осуществля­
ющей вычисления прикладной части. Приложение Electron.js может работать как 
в прикладной части на основе Node.js, так и в процессе клиентской части на основе 
Chromium. TensorFlow.js может работать в любой из этих сред. В результате одна 
и та же модель может работать как в процессе прикладной части наподобие node, 
так и в процессе клиентской части наподобие браузера. В случае развертывания 
в прикладной части используется пакет @tensorflow/tfjs­node, а при развертыва­
нии в клиентской части — @tensorflow/tfjs (рис. 12.8). С помощью кнопки­флажка 
в GUI нашего примера приложения можно переключаться между режимами вы­
полнения вывода в прикладной/клиентской части (рис. 12.7), хотя в настоящем 
приложении на основе TensorFlow.js и Electron.js, среда, в которой работает 
модель, обычно выбирается заранее. Далее мы вкратце обсудим за и против этих 
вариантов.
Как демонстрирует рис. 12.8, при выборе различных вариантов прикладной 
части вычисления глубокого обучения осуществляются на различном аппаратном 
обеспечении. При развертывании на основе пакета @tensorflow/tfjs­node рабочая 
нагрузка ложится на CPU, при участии многопоточной, поддерживающей SIMD 
библиотеки libtensorflow. Благодаря отсутствию в среде прикладной части ограни­

---