JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть I • Актуальность и основные понятия 
используя TensorFlow.js. Существуют подобные приложения и для текстовых дан­
ных, например анализирующие тональность высказываний в пользовательских 
текстах наподобие отзывов о фильмах (см. главу 9). Помимо этого, современные 
браузеры могут обращаться ко множеству датчиков мобильных устройств. Напри­
мер, HTML5 предоставляет API для доступа к данным о географическом место­
положении (широта и долгота), движении (ориентация и ускорение устройства) 
и внешней освещенности (см. 
https://mobilehtml5.org/
). В сочетании с глубоким об­
учением и различными типами данных сведения от подобных датчиков открывают 
дорогу ко множеству новых приложений захвата.
У применения глубокого обучения в браузере есть пять дополнительных преиму­
ществ: уменьшение затрат на серверы, снижение времени ожидания вывода, лучшая 
защита персональной информации, мгновенное ускорение вычислений с помощью 
GPU и моментальный доступ.
z
z
Затраты на серверы.
Это важный фактор при проектировании и масштабирова­
нии веб­сервисов. Для работы моделей глубокого обучения в отведенные сроки 
зачастую необходим значительный объем вычислений, и без ускорения вычисле­
ний с помощью GPU не обойтись. А если не развертывать модели в клиентской 
части, придется развертывать их на снабженных GPU машинах, например вирту­
альных машинах с поддерживающими CUDA GPU из Google Cloud или Amazon 
Web Services. Подобные облачные машины с GPU нередко обходятся недешево. 
Даже простейшая облачная машина с GPU сейчас стоит порядка 0,5–1 долла­
ра в час (см. 
https://www.ec2instances.info/
и 
https://cloud.google.com/gpu
). При росте 
трафика стоимость эксплуатации парка облачных машин с GPU тоже растет, 
не говоря уже о непростых задачах масштабирования и повышении сложности 
серверного стека. Всех этих проблем можно избежать при развертывании модели 
на клиенте. Накладные расходы на скачивание модели (составляющей обычно 
несколько мегабайт) на клиент можно снизить за счет кэширования в браузере 
и локального хранилища (см. главу 2).
z
z
Снижение времени ожидания вывода.
Для определенных типов приложений 
требования по времени ожидания настолько жестки, что модели глубокого об­
учения приходится запускать на стороне клиента. К этой категории относятся все 
приложения с обработкой аудио­, визуальных и видеоданных. Представьте себе, 
например, что будет, если для вывода потребуется передавать кадры изображе­
ний на сервер. Допустим, изображения захватываются с веб­камеры в довольно 
скромном разрешении 400 
×
400 пикселов с тремя цветовыми каналами (RGB) 
8­битной глубины со скоростью 10 кадров в секунду. Даже при использовании 
JPEG­сжатия размер каждого изображения будет около 150 Кбайт. В обычной 
мобильной сети с примерно 300­килобитной исходящей пропускной способно­
стью загрузка одного такого изображения займет более 500 миллисекунд, что 
приведет к заметной и, возможно, неприемлемой для определенных приложений 
(например, игр) задержке. Расчеты не учитывают колебания (и, возможно, раз­
рывы) связи в сети, дополнительное время для скачивания результатов вывода 
и немалый объем расхода мобильного трафика, а ведь каждый из этих факторов 
может оказаться фатальным.

---