Los modelos prefabricados son modelos que ya están entrenados para un propósito específico. Existe una variedad de modelos de código abierto ya entrenados que puede usar inmediatamente con TensorFlow.js para realizar muchas tareas de aprendizaje automático. Este tema proporciona orientación sobre cómo buscar y seleccionar modelos prediseñados para su caso de uso.
Beneficios de utilizar modelos prefabricados
TensorFlow.js tiene un amplio espectro de modelos prediseñados que se pueden usar en cualquier proyecto listo para usar y le brindan los siguientes beneficios importantes:
- Ahorre tiempo y recursos : evite los procesos que requieren mucho tiempo para recopilar, preparar y etiquetar datos y luego entrenar, evaluar y mejorar el modelo. Sea capaz de crear prototipos de sus ideas rápidamente.
- Aproveche la investigación y la documentación existentes : la investigación de vanguardia utilizada en el desarrollo de modelos prediseñados le permite implementarlos rápidamente y, al mismo tiempo, comprender cómo funcionan en diferentes escenarios del mundo real.
- Habilite el aprendizaje por transferencia : los modelos prediseñados le permiten utilizar la información aprendida por un modelo para una tarea en otro caso de uso similar. Este proceso de aprendizaje por transferencia le permitirá entrenar modelos existentes rápidamente con datos personalizados.
encontrar un modelo
Encontrar un modelo de TensorFlow.js existente para su caso de uso depende de lo que esté intentando lograr. Por ejemplo, ¿es necesario que su aplicación se ejecute en el lado del cliente o en el lado del servidor? ¿Qué importancia tienen factores como la privacidad, la velocidad y la precisión? etc.
A continuación, se muestran algunas formas recomendadas de descubrir modelos para usar con TensorFlow.js:
Por ejemplo: la forma más rápida de encontrar y comenzar a usar modelos con TensorFlow.js es explorar la sección de demostraciones de TensorFlow.js para encontrar demostraciones que realicen una tarea similar a su caso de uso. Este catálogo proporciona casos de uso de ejemplo divertidos con enlaces al código que le ayudarán a empezar.
Por tipo de entrada de datos: además de ver ejemplos similares a su caso de uso, otra forma de descubrir modelos para su propio uso es considerar el tipo de datos que desea procesar, como audio, texto o imágenes. Los modelos de aprendizaje automático suelen estar diseñados para usarse con uno de estos tipos de datos, por lo que buscar modelos que manejen el tipo de datos que desea usar puede ayudarlo a delimitar qué modelos considerar. Puede comenzar a explorar los modelos de TensorFlow.js según casos de uso generales en la sección de modelos de TensorFlow.js o explorar un conjunto más grande de modelos en TensorFlow Hub . En TensorFlow Hub, puede usar el filtro de dominio Problema para ver los tipos de datos del modelo y limitar su lista.
La siguiente lista enlaza a modelos de TensorFlow.js en TensorFlow Hub para casos de uso comunes:
- Modelos de clasificación de imágenes.
- Modelos de detección de objetos
- Modelos de texto
- Modelos de audio
Elige entre modelos similares
Si su aplicación sigue un caso de uso común, como clasificación de imágenes o detección de objetos, puede encontrar varios modelos de TensorFlow.js que se ajusten a sus necesidades. Una vez que tenga algunos modelos que sean aplicables a su caso de uso, querrá identificar el modelo que proporcionará la mejor solución. Para ello, considere los siguientes aspectos de cada modelo:
- Velocidad de inferencia
- Tamaño del archivo
- Uso de RAM en tiempo de ejecución
- Características/capacidades del modelo
Al decidir entre varios modelos, puede limitar sus opciones basándose primero en su restricción más limitante, como el tamaño del modelo, el tamaño de los datos, la velocidad de inferencia o la precisión, etc.
Si no está seguro de cuál es su restricción más limitante, suponga que es el tamaño del modelo y elija el modelo más pequeño disponible. Elegir un modelo pequeño le brinda la mayor flexibilidad en términos de dónde puede implementar y ejecutar el modelo con éxito. Los modelos más pequeños también suelen producir inferencias más rápidas y las predicciones más rápidas generalmente crean mejores experiencias para el usuario final. Sin embargo , los modelos más pequeños suelen tener tasas de precisión más bajas, por lo que es posible que deba elegir modelos más grandes si la precisión de la predicción es su principal preocupación.
Fuentes de modelos
Los modelos prediseñados en TensorFlow.js suelen estar disponibles en dos formas. Los modelos oficiales vienen incluidos en clases de JavaScript, lo que los hace sencillos de implementar en su aplicación. Otros están en un formato sin formato que puede requerir código adicional para procesar previamente o posprocesar los datos de entrada y salida.
Utilice los modelos de TensorFlow.js como primer destino para buscar y seleccionar modelos para usar con TensorFlow.js. Estos son los modelos oficiales proporcionados por el equipo de TensorFlow.js que ya tienen los contenedores de JavaScript que simplifican la integración en su código. El sitio de TensorFlow Hub proporciona modelos adicionales. Tenga en cuenta que los modelos en el Hub pueden estar en un formato sin formato que requiera trabajo adicional de su parte para integrarse.
Modelos TensorFlow
Es posible convertir modelos normales de TensorFlow al formato TensorFlow.js. Para obtener más información sobre la conversión de modelos, consulte el tema Conversión de modelos . Puede encontrar modelos de TensorFlow en TensorFlow Hub y en TensorFlow Model Garden .
Otras lecturas
- Ahora que sabe dónde encontrar modelos listos para usar, consulte el tutorial nativo de React para aprender cómo puede usar dicho modelo en una aplicación web.