이 튜토리얼에서는 TensorFlow.js를 사용하여 리소스 예측 미리 가져오기를 수행하는 예제 웹 애플리케이션을 실행합니다. Angular 로 구축된 이 예제는 Google Merchandise Store에서 영감을 얻었지만 데이터나 구현 세부정보를 공유하지 않습니다.
이 예시에서는 사전 학습된 모델을 사용하여 예측합니다. 실제 시나리오에서는 웹 사이트의 분석을 사용하여 모델을 교육해야 합니다. TFX를 사용하여 이러한 학습을 수행할 수 있습니다. 예측 프리페치를 위한 사용자 정의 모델 교육에 대해 자세히 알아보려면 이 블로그 게시물을 참조하세요.
예제 코드는 GitHub 에서 사용할 수 있습니다.
전제 조건
이 튜토리얼을 완료하려면 개발 환경에 다음이 설치되어 있어야 합니다.
예제 설치
소스 코드를 가져오고 종속 항목을 설치합니다.
-
tfjs-examples저장소를 복제하거나 다운로드하세요. angular-predictive-prefetching/client디렉터리로 변경하고 종속성을 설치합니다.cd tfjs-examples/angular-predictive-prefetching/client && yarnangular-predictive-prefetching/server디렉토리로 변경하고 종속성을 설치합니다.cd ../server && yarn
예제 실행
서버와 클라이언트를 모두 시작합니다.
서버 시작:
server디렉터리에서yarn start실행합니다.클라이언트를 시작합니다.
- 다른 터미널 창을 엽니다.
-
tfjs-examples/angular-predictive-prefetching/client로 변경합니다. 다음 명령을 실행하십시오.
yarn build cd dist/merch-store npx serve -s .서비스 패키지를 설치하라는 메시지가 표시될 수 있습니다. 그렇다면 y를 입력하여 패키지를 설치하십시오.
브라우저에서
http://localhost:3000으로 이동합니다. 모의 Google 상품 매장이 보일 것입니다.
DevTools로 탐색
Chrome DevTools를 사용하여 프리페칭이 어떻게 작동하는지 확인하세요.
- DevTools를 열고 Console 을 선택하세요.
앱을 준비하려면 애플리케이션의 몇 가지 다른 페이지로 이동하세요. 그런 다음 왼쪽 탐색에서 판매를 선택합니다. 다음과 같은 로그 출력이 표시됩니다.
Navigating from: 'sale' 'quickview' -> 0.381757915019989 'apparel-unisex' -> 0.3150934875011444 'store.html' -> 0.1957530975341797 '' -> 0.052346792072057724 'signin.html' -> 0.0007763378671370447이 출력은 귀하(사용자)가 다음에 방문할 페이지에 대한 예측을 보여줍니다. 애플리케이션은 이러한 예측을 기반으로 리소스를 가져옵니다.
가져오기 요청을 보려면 네트워크 를 선택하세요. 출력에는 약간의 잡음이 있지만 예측된 페이지에 대한 리소스 요청을 찾을 수 있습니다. 예를 들어,
quickview예측한 후 애플리케이션은http://localhost:8000/api/merch/quickview에 요청합니다.
예측 프리패치가 작동하는 방식
예시 앱은 사전 학습된 모델을 사용하여 사용자가 다음에 방문할 페이지를 예측합니다. 사용자가 새 페이지로 이동하면 앱은 모델을 쿼리한 다음 예측 페이지와 연결된 이미지를 미리 가져옵니다.
앱은 서비스 워커 에 대한 예측 프리페칭을 수행하므로 메인 스레드를 차단하지 않고 모델을 쿼리할 수 있습니다. 서비스 작업자는 사용자의 탐색 기록을 기반으로 향후 탐색을 예측하고 관련 제품 이미지를 미리 가져옵니다.
서비스 워커는 Angular 앱의 기본 파일인 main.ts 에 로드됩니다.
if ('serviceWorker' in navigator) {
navigator.serviceWorker.register('/prefetch.service-worker.js', { scope: '/' });
}
위의 코드 조각은 prefetch.service-worker.js 스크립트를 다운로드하여 백그라운드에서 실행합니다.
merch-display.comComponent.ts 에서 앱은 탐색 이벤트를 서비스 워커에게 전달합니다.
this.route.params.subscribe((routeParams) => {
this.getMerch(routeParams.category);
if (this._serviceWorker) {
this._serviceWorker.postMessage({ page: routeParams.category });
}
});
위 스니펫에서 앱은 URL 매개변수의 변경 사항을 감시합니다. 변경 시 스크립트는 페이지 카테고리를 서비스 워커에게 전달합니다.
서비스 작업자 스크립트인 prefetch.service-worker.js는 기본 스레드의 메시지를 처리하고 이를 기반으로 예측을 수행하며 관련 리소스를 미리 가져옵니다.
서비스 워커는 loadGraphModel 사용하여 사전 훈련된 모델을 로드합니다 .
const MODEL_URL = "/assets/model.json";
let model = null;
tf.loadGraphModel(MODEL_URL).then((m) => (model = m));
예측은 다음 함수 표현식 에서 발생합니다.
const predict = async (path, userId) => {
if (!model) {
return;
}
const page = pages.indexOf(path);
const pageId = tf.tensor1d([parseInt(page)], "int32");
const sessionIndex = tf.tensor1d([parseInt(userId)], "int32");
const result = model.predict({
cur_page: pageId,
session_index: sessionIndex,
});
const values = result.dataSync();
const orders = sortWithIndices(values).slice(0, 5);
return orders;
};
그런 다음 prefetch 함수에 의해 predict 함수가 호출됩니다.
const prefetch = async (path, sessionId) => {
const predictions = await predict(path, sessionId);
const formattedPredictions = predictions
.map(([a, b]) => `'${b}' -> ${a}`)
.join("\n");
console.log(`Navigating from: '${path}'`);
console.log(formattedPredictions);
const connectionSpeed = navigator.connection.effectiveType;
const threshold = connectionSpeeds[connectionSpeed];
const cache = await caches.open(ImageCache);
predictions.forEach(async ([probability, category]) => {
if (probability >= threshold) {
const merchs = (await getMerchList(category)).map(getUrl);
[...new Set(merchs)].forEach((url) => {
const request = new Request(url, {
mode: "no-cors",
});
fetch(request).then((response) => cache.put(request, response));
});
}
});
};
먼저, prefetch 사용자가 다음에 방문할 페이지를 예측합니다. 그런 다음 예측을 반복합니다. 각 예측에 대해 확률이 연결 속도를 기준으로 특정 임계값을 초과하면 함수는 예측된 페이지에 대한 리소스를 가져옵니다. 다음 페이지 요청 전에 이러한 리소스를 가져오면 앱이 잠재적으로 콘텐츠를 더 빠르게 제공하고 더 나은 사용자 환경을 제공할 수 있습니다.
다음은 무엇입니까?
이 튜토리얼에서 예제 앱은 사전 학습된 모델을 사용하여 예측을 수행합니다. TFX를 사용하여 예측 미리 가져오기를 위한 모델을 학습시킬 수 있습니다. 자세한 내용은 기계 학습을 사용하여 웹페이지 미리 가져오기로 사이트 속도 향상을 참조하세요.