Modelos pré-fabricados são modelos que já foram treinados para uma finalidade específica. Há uma variedade de modelos de código aberto já treinados que você pode usar imediatamente com o TensorFlow.js para realizar muitas tarefas de aprendizado de máquina. Este tópico fornece orientação sobre como localizar e selecionar modelos pré-fabricados para seu caso de uso.
Benefícios de usar modelos pré-fabricados
O TensorFlow.js tem um amplo espectro de modelos pré-fabricados que podem ser usados em qualquer projeto pronto para uso e oferecem os seguintes benefícios significativos:
- Economize tempo e recursos : evite os processos demorados de coleta, preparação e rotulagem de dados e, em seguida, treinamento, avaliação e melhoria do modelo. Ser capaz de prototipar suas ideias rapidamente.
- Aproveite a pesquisa e a documentação existentes : a pesquisa de ponta usada no desenvolvimento de modelos pré-fabricados permite que você os implante rapidamente enquanto entende como eles funcionam em diferentes cenários do mundo real.
- Habilitar aprendizado de transferência : modelos pré-fabricados permitem que você use informações aprendidas por um modelo para uma tarefa em outro caso de uso semelhante. Esse processo de aprendizado por transferência permitirá que você treine modelos existentes rapidamente em dados personalizados.
Encontre um modelo
Encontrar um modelo existente do TensorFlow.js para seu caso de uso depende do que você está tentando realizar. Por exemplo, seu aplicativo precisa ser executado no lado do cliente ou no lado do servidor? Qual a importância de fatores como privacidade, velocidade e precisão? etc.
Aqui estão algumas maneiras recomendadas de descobrir modelos para uso com o TensorFlow.js:
Por exemplo: a maneira mais rápida de encontrar e começar a usar modelos com o TensorFlow.js é navegar na seção de demonstrações do TensorFlow.js para encontrar demonstrações que executam uma tarefa semelhante ao seu caso de uso. Este catálogo fornece exemplos divertidos de casos de uso com links para o código que o ajudará a começar.
Por tipo de entrada de dados: além de observar exemplos semelhantes ao seu caso de uso, outra maneira de descobrir modelos para seu próprio uso é considerar o tipo de dados que deseja processar, como áudio, texto ou imagens. Os modelos de aprendizado de máquina são frequentemente projetados para uso com um desses tipos de dados, portanto, procurar modelos que lidam com o tipo de dados que você deseja usar pode ajudá-lo a restringir os modelos a serem considerados. Você pode começar a navegar pelos modelos do TensorFlow.js com base em casos de uso geral na seção de modelos do TensorFlow.js ou navegar por um conjunto maior de modelos no TensorFlow Hub . No TensorFlow Hub, você pode usar o filtro de domínio do problema para visualizar os tipos de dados do modelo e restringir sua lista.
A lista a seguir contém links para modelos do TensorFlow.js no TensorFlow Hub para casos de uso comuns:
- Modelos de classificação de imagens
- Modelos de detecção de objetos
- modelos de texto
- modelos de áudio
Escolha entre modelos semelhantes
Se seu aplicativo segue um caso de uso comum, como classificação de imagens ou detecção de objetos, você pode encontrar vários modelos do TensorFlow.js que atendem às suas necessidades. Depois de ter alguns modelos aplicáveis ao seu caso de uso, você deseja identificar o modelo que fornecerá a melhor solução. Para isso, considere os seguintes aspectos de cada modelo:
- Velocidade de inferência
- Tamanho do arquivo
- Uso de RAM em tempo de execução
- Recursos/capacidades do modelo
Ao decidir entre vários modelos, você pode restringir suas opções com base primeiro em sua restrição mais limitante, como tamanho do modelo, tamanho dos dados, velocidade de inferência ou precisão, etc.
Se você não tiver certeza de qual é a sua restrição mais limitante, suponha que seja o tamanho do modelo e escolha o menor modelo disponível. Escolher um modelo pequeno oferece mais flexibilidade em termos de onde você pode implantar e executar o modelo com êxito. Modelos menores normalmente também produzem inferências mais rápidas, e previsões mais rápidas geralmente criam melhores experiências para o usuário final. No entanto , modelos menores geralmente têm taxas de precisão mais baixas, então você pode precisar escolher modelos maiores se a precisão da previsão for sua principal preocupação.
Fontes para modelos
Os modelos pré-fabricados no TensorFlow.js geralmente estão disponíveis em duas formas. Os modelos oficiais vêm agrupados em classes JavaScript, tornando-os simples de implantar em seu aplicativo. Outros estão em uma forma bruta que pode exigir código adicional para pré/pós processar dados de entrada e saída.
Use os modelos do TensorFlow.js como seu primeiro destino para localizar e selecionar modelos para uso com o TensorFlow.js. Esses são os modelos oficiais fornecidos pela equipe do TensorFlow.js que já possuem os wrappers JavaScript que simplificam a integração ao seu código. O site TensorFlow Hub fornece modelos adicionais. Observe que os modelos no Hub podem estar em um formato bruto que requer trabalho adicional de sua parte para integração.
Modelos do TensorFlow
É possível converter modelos regulares do TensorFlow para o formato TensorFlow.js. Para obter mais informações sobre como converter modelos, consulte o tópico Conversão de modelos . Você pode encontrar modelos do TensorFlow no TensorFlow Hub e no TensorFlow Model Garden .
Leitura adicional
- Agora que você sabe onde encontrar modelos prontos para uso, consulte o tutorial nativo do React para saber como usar esse modelo em um aplicativo da web.