Önceden hazırlanmış modeller, belirli bir amaç için önceden eğitilmiş modellerdir. Birçok makine öğrenimi görevini gerçekleştirmek için TensorFlow.js ile hemen kullanabileceğiniz, önceden eğitilmiş çeşitli açık kaynaklı modeller bulunmaktadır. Bu konu, kullanım durumunuz için önceden hazırlanmış modelleri nasıl bulacağınız ve seçeceğiniz konusunda rehberlik sağlar.
Önceden hazırlanmış modelleri kullanmanın faydaları
TensorFlow.js, herhangi bir projede kullanıma hazır olan ve size aşağıdaki önemli faydaları sağlayan geniş bir önceden hazırlanmış model yelpazesine sahiptir:
- Zamandan ve Kaynaklardan Tasarruf Edin : Veri toplama, hazırlama ve etiketleme, ardından modeli eğitme, değerlendirme ve iyileştirme gibi zaman alıcı süreçlerden kaçının. Fikirlerinizi hızlı bir şekilde prototip haline getirebilirsiniz.
- Mevcut araştırma ve belgelerden yararlanın : Önceden hazırlanmış modeller geliştirirken kullanılan en son teknolojiye sahip araştırmalar, bu modelleri hızlı bir şekilde devreye alırken farklı gerçek dünya senaryolarında nasıl performans gösterdiklerini anlamanıza olanak tanır.
- Transfer öğrenimini etkinleştirin : Önceden hazırlanmış modeller, bir model tarafından bir görev için öğrenilen bilgileri başka bir benzer kullanım durumunda kullanmanıza olanak tanır. Bu aktarım öğrenme süreci, mevcut modelleri özel veriler üzerinde hızlı bir şekilde eğitmenize olanak tanır.
Bir model bulun
Kullanım durumunuz için mevcut bir TensorFlow.js modelini bulmak, neyi başarmaya çalıştığınıza bağlıdır. Örneğin, uygulamanızın istemci tarafında mı yoksa sunucu tarafında mı çalışması gerekiyor? Gizlilik, hız ve doğruluk gibi faktörler ne kadar önemli? vesaire.
TensorFlow.js ile kullanılacak modelleri keşfetmenin önerilen birkaç yolu:
Örnek olarak: TensorFlow.js içeren modelleri bulmanın ve kullanmaya başlamanın en hızlı yolu, kullanım durumunuza benzer bir görevi gerçekleştiren demoları bulmak için TensorFlow.js demolar bölümüne göz atmaktır. Bu katalog, başlamanıza yardımcı olacak kod bağlantılarını içeren eğlenceli örnek kullanım durumları sağlar.
Veri giriş türüne göre: Kullanım durumunuza benzer örneklere bakmanın yanı sıra, kendi kullanımınıza yönelik modelleri keşfetmenin başka bir yolu da, ses, metin veya görseller gibi işlemek istediğiniz veri türünü dikkate almaktır. Makine öğrenimi modelleri sıklıkla bu tür verilerden biriyle kullanılmak üzere tasarlandığından, kullanmak istediğiniz veri türünü işleyen modelleri aramak, dikkate alacağınız modelleri daraltmanıza yardımcı olabilir. TensorFlow.js modelleri bölümünde genel kullanım örneklerine göre TensorFlow.js modellerine göz atmaya başlayabilir veya TensorFlow Hub'da daha geniş bir model grubuna göz atabilirsiniz. TensorFlow Hub'da model veri türlerini görüntülemek ve listenizi daraltmak için Sorun alanı filtresini kullanabilirsiniz.
Aşağıdaki liste, yaygın kullanım örnekleri için TensorFlow Hub'daki TensorFlow.js modellerine bağlantı vermektedir:
- Görüntü sınıflandırma modelleri
- Nesne algılama modelleri
- Metin modelleri
- Ses modelleri
Benzer modeller arasından seçim yapın
Uygulamanız görüntü sınıflandırma veya nesne algılama gibi yaygın bir kullanım durumunu izliyorsa ihtiyacınıza uygun birden fazla TensorFlow.js modeli bulabilirsiniz. Kullanım durumunuza uygun bazı modellere sahip olduğunuzda, en iyi çözümü sağlayacak modeli belirlemek istersiniz. Bunu yapmak için her modelin aşağıdaki yönlerini göz önünde bulundurun:
- Çıkarım hızı
- Dosya boyutu
- Çalışma zamanı RAM kullanımı
- Model özellikleri/yetenekleri
Bir dizi model arasında karar verirken, öncelikle model boyutu, veri boyutu, çıkarım hızı veya doğruluk vb. gibi en sınırlayıcı sınırlamalarınıza göre seçeneklerinizi daraltabilirsiniz.
En sınırlayıcı kısıtlamanızın ne olduğundan emin değilseniz, bunun modelin boyutu olduğunu varsayalım ve mevcut en küçük modeli seçin. Küçük bir model seçmek, modeli başarıyla dağıtabileceğiniz ve çalıştırabileceğiniz yer açısından size en fazla esnekliği sağlar. Daha küçük modeller genellikle daha hızlı çıkarımlar üretir ve daha hızlı tahminler genellikle daha iyi son kullanıcı deneyimleri yaratır. Bununla birlikte , daha küçük modeller genellikle daha düşük doğruluk oranlarına sahiptir; bu nedenle, öncelikli endişeniz tahmin doğruluğu ise daha büyük modelleri seçmeniz gerekebilir.
Modeller için kaynaklar
TensorFlow.js'deki önceden hazırlanmış modeller genellikle iki biçimde mevcuttur. Resmi modeller, uygulamanızda dağıtılmalarını kolaylaştıracak şekilde JavaScript sınıflarıyla birlikte gelir. Diğerleri, işlem öncesi/sonrası giriş ve çıkış verilerine ek kod gerektirebilecek ham formdadır.
TensorFlow.js ile kullanılacak modelleri bulmak ve seçmek için ilk hedefiniz olarak TensorFlow.js modellerini kullanın. Bunlar, TensorFlow.js ekibi tarafından sağlanan ve kodunuza entegrasyonu kolaylaştıran JavaScript paketleyicilerine sahip resmi modellerdir. TensorFlow Hub sitesi ek modeller sağlar. Hub'daki modellerin, entegre edilmesi için sizin tarafınızdan ek çalışma gerektiren ham formatta olabileceğini unutmayın.
TensorFlow modelleri
Normal TensorFlow modellerini TensorFlow.js formatına dönüştürmek mümkündür. Modelleri dönüştürme hakkında daha fazla bilgi için Model dönüştürme konusuna bakın. TensorFlow modellerini TensorFlow Hub'da ve TensorFlow Model Bahçesi'nde bulabilirsiniz.
Daha fazla okuma
- Artık kullanıma hazır modelleri nerede bulacağınızı bildiğinize göre, böyle bir modeli bir web uygulamasında nasıl kullanabileceğinizi öğrenmek için React yerel eğitimine bakın.