JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
Резюме
z
z
Разумный подход к тестированию кода машинного обучения столь же важен, 
как и к тестированию не относящегося к нему кода. Однако старайтесь не сосре­
дотачивать свое внимание исключительно на частных случаях или на контроле 
«золотых значений» для предсказаний. Вместо этого старайтесь тестировать 
базовые свойства модели, например характеристики входных и выходных 
данных. Более того, помните, что весь код предварительной обработки данных, 
предваряющий систему машинного обучения, — такой же «обычный» код и его 
следует тестировать соответствующим образом.
z
z
Оптимизация скорости скачивания и выполнения вывода — важный фактор 
успеха развертывания моделей TensorFlow.js на стороне клиента. Благодаря 
возможности квантования весовых коэффициентов после обучения команды 
tensorflowjs_converter
можно сократить общий размер модели, причем в не­
которых случаях без какой­либо существенной потери степени безошибочно­
сти вывода. Возможность преобразования графов вычислений 
tensorflowjs_
converter
позволяет ускорить выполнение вывода на основе модели посредством 
преобразований графов, в частности слияния операций. Мы настоятельно 
рекомендуем вам тестировать и использовать во всей полноте обе эти методики 
оптимизации моделей при развертывании моделей TensorFlow.js для промыш­
ленной эксплуатации.
z
z
Обученная и оптимизированная модель — далеко не все, что требуется для при­
ложения машинного обучения. Необходимо еще найти способ интегрировать 
ее в сам программный продукт. Чаще всего приложения TensorFlow.js развер­
тываются внутри веб­страниц, но это лишь один из множества разнообразных 
сценариев развертывания, каждый со своими достоинствами и недостатками. 
Модели TensorFlow.js могут работать в виде браузерных расширений, в нативных 
мобильных приложениях, в виде нативных приложений для настольных компью­
теров и даже на одноплатном аппаратном обеспечении наподобие Raspberry Pi.

---

В этой главе
z

Обзор понятий и идей, связанных с ИИ и глубоким обучением.
z

Краткий обзор обсуждавшихся в этой книге типов алгоритмов глубокого обучения, 
сферы их применения и реализация их в TensorFlow.js.
z

Предобученные модели из экосистемы TensorFlow.js.
z

Текущие ограничения глубокого обучения; прогноз тенденций глубокого обучения 
на ближайшие годы.
z

Руководство по дальнейшему расширению ваших знаний глубокого обучения 
и тому, как не отстать от прогресса в этой быстро меняющейся сфере.
Это последняя глава нашей книги. В предыдущих главах мы совершили путеше­
ствие по стране современного глубокого обучения благодаря предоставленному нам 
TensorFlow.js транспорту и вашей собственной усердной работе с книгой. Надеемся, 
в этом путешествии вы освоили много новых понятий и обрели немало новых на­
выков. Время оглянуться и посмотреть с высоты птичьего полета на всю эту страну 
в целом, равно как и освежить в памяти некоторые наиболее важные идеи. В этой, 
последней главе мы подведем итоги и напомним основные понятия, параллельно от­
крывая вам новые горизонты, выходящие далеко за пределы относительно простых 
идей, изученных вами ранее. Мы хотим убедиться, что вы готовы к последу ющему 
самостоятельному путешествию.
13
Резюме, заключительные 
слова и дальнейшие 
источники информации

---

518