Modelos pré-fabricados são modelos já 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 predefinidos para seu caso de uso.
Benefícios de usar modelos pré-fabricados
O TensorFlow.js tem uma ampla gama de modelos pré-fabricados que podem ser usados em qualquer projeto pronto para uso e fornecem 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. Seja capaz de prototipar suas ideias rapidamente.
- Aproveite a pesquisa e a documentação existentes : a pesquisa de última geração usada no desenvolvimento de modelos pré-fabricados permite implantá-los rapidamente e, ao mesmo tempo, entender como eles funcionam em diferentes cenários do mundo real.
- Habilitar aprendizagem por 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 aprendizagem por transferência permitirá que você treine modelos existentes rapidamente em dados personalizados.
Encontre um modelo
Encontrar um modelo TensorFlow.js existente 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? Quão importantes são fatores como privacidade, velocidade e precisão? etc.
Aqui estão algumas maneiras recomendadas de descobrir modelos para uso com TensorFlow.js:
Por exemplo: a maneira mais rápida de encontrar e começar a usar modelos com TensorFlow.js é navegar na seção de demos do TensorFlow.js para encontrar demos que executam uma tarefa semelhante ao seu caso de uso. Este catálogo fornece exemplos de casos de uso divertidos com links para o código que ajudarão você 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 você 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 lidem com o tipo de dados que você deseja usar pode ajudá-lo a restringir quais modelos considerar. Você pode começar a navegar pelos modelos do TensorFlow.js com base em casos de uso gerais 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 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 seguir um caso de uso comum, como classificação de imagens ou detecção de objetos, você poderá 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 fazer 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 na 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, assuma que é o tamanho do modelo e escolha o menor modelo disponível. Escolher um modelo pequeno oferece maior flexibilidade em termos de onde você pode implantar e executar o modelo com êxito. Modelos menores também normalmente produzem inferências mais rápidas, e previsões mais rápidas geralmente criam melhores experiências para o usuário final. No entanto , modelos menores normalmente têm taxas de precisão mais baixas, portanto, talvez seja necessário escolher modelos maiores se a precisão da previsão for sua principal preocupação.
Fontes para modelos
Modelos pré-fabricados em TensorFlow.js normalmente estão disponíveis em dois formatos. Os modelos oficiais vêm embalados em classes JavaScript, tornando-os simples de implantar em seu aplicativo. Outros estão em um formato bruto que pode exigir código adicional para pré/pós-processamento de dados de entrada e saída.
Use os modelos do TensorFlow.js como primeiro destino para encontrar e selecionar modelos para uso com o TensorFlow.js. Esses são os modelos oficiais fornecidos pela equipe TensorFlow.js que já possuem os wrappers JavaScript que simplificam a integração ao seu código. O site do 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 TensorFlow
É possível converter modelos regulares do TensorFlow para o formato TensorFlow.js. Para obter mais informações sobre a conversão de modelos, consulte o tópico Conversão de modelo . 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 web.