JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 12. Тестирование, оптимизация и развертывание моделей
509
чений на ресурсы развертывание моделей на основе Node.js позволяет достичь более 
высокой скорости работы и использовать модели большего размера. Однако основ­
ной недостаток — большой размер пакетов вследствие большого размера библиотеки 
libtensorflow (для tfjs­node — примерно 50 Мбайт в сжатом виде).
Рис. 12.7.
Снимок экрана из примера приложения, использующего модель TensorFlow.js, 
для настольных компьютеров на основе фреймворка Electron.js 
(из репозитория tfjs-examples/electron)
При развертывании в клиентской части рабочая нагрузка по глубокому обучению 
ложится на WebGL, что вполне приемлемо в случае моделей небольшого и среднего 
размера либо когда задержка при выполнении вывода не играет роли. Размер пакета 
при этом варианте меньше, и благодаря обширной поддержке WebGL, все работает 
сразу же, без дополнительных действий.
Рисунок 12.8 также демонстрирует, что выбор прикладной части для вычислений 
в основном не зависит от загружающего и выполняющего модель JavaScript кода. 
Для всех трех вышеупомянутых вариантов подходит один и тот же API, что ясно по­
казывает наш пример приложения, в котором один и тот же модуль (
ImageClassifier

---

510
Часть IV • Резюме и заключительное слово
в файле 
electron/image_classifier.js
) выполняет вывод в среде как прикладной, 
так и клиентской части. Стоит также отметить, что, хотя в примере tfjs­examples/
electron показано только выполнение вывода, безусловно, TensorFlow.js можно 
с тем же успехом использовать и для других технологических процессов глубокого 
обучения, в частности создания и обучения (например, переноса обучения) модели 
в приложениях Electron.js.
Рис. 12.8.
Архитектура основанного на Electron.js приложения для настольных компьютеров, 
использующего TensorFlow.js для глубокого обучения с ускорением. Из основного процесса 
прикладной части или процесса визуализации в браузере можно вызывать различные 
вычислительные прикладные части TensorFlow.js. При выборе различных вариантов прикладной 
части модели работают на различном аппаратном обеспечении. Вне зависимости от выбранной 
вычислительной прикладной части, код загрузки, описания и выполнения моделей глубокого 
обучения в TensorFlow.js практически одинаков. Стрелки на этой схеме обозначают вызовы 
библиотечных функций и прочих вызываемых процедур
12.3.6. Развертывание моделей TensorFlow.js в WeChat 
и прочих системах плагинов мобильных 
приложений на основе JavaScript
Иногда основная платформа распространения мобильных приложений — не Play 
Store Android и не Play Store Apple, просто небольшое количество «мобильных 
сверхприложений», поддерживающих использование сторонних расширений внутри 
управляемого основным приложением пространства.

---