Los modelos prefabricados son modelos que ya están entrenados para un propósito específico. Hay una variedad de modelos de código abierto ya capacitados que puede usar de inmediato con TensorFlow.js para realizar muchas tareas de aprendizaje automático. Este tema proporciona orientación sobre cómo encontrar y seleccionar modelos prefabricados para su caso de uso.
Beneficios de usar modelos prefabricados
TensorFlow.js tiene un amplio espectro de modelos prefabricados que se pueden usar en cualquier proyecto de forma inmediata y le brindan los siguientes beneficios significativos:
- Ahorre tiempo y recursos : evite los procesos que consumen mucho tiempo de recopilar, preparar y etiquetar datos, y luego capacitar, evaluar y mejorar el modelo. Ser 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 prefabricados le permite implementarlos rápidamente mientras comprende cómo funcionan en diferentes escenarios del mundo real.
- Habilite el aprendizaje de transferencia : los modelos prefabricados le permiten usar la información aprendida por un modelo para una tarea en otro caso de uso similar. Este proceso de transferencia de aprendizaje le permitirá entrenar modelos existentes rápidamente con datos personalizados.
Encuentra un modelo
Encontrar un modelo TensorFlow.js existente para su caso de uso depende de lo que intente lograr. Por ejemplo, ¿su aplicación necesita ejecutarse en el lado del cliente o en el lado del servidor? ¿Qué importancia tienen factores como la privacidad, la velocidad y la precisión? etc.
Aquí hay 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 ejemplos de casos de uso divertidos con vínculos al código que lo ayudarán a comenzar.
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 se diseñan con frecuencia para usar con uno de estos tipos de datos, por lo que buscar modelos que manejen el tipo de datos que desea usar puede ayudarlo a reducir los modelos que debe considerar. Puede comenzar a buscar modelos de TensorFlow.js basados en casos de uso general en la sección de modelos de TensorFlow.js o buscar un conjunto más grande de modelos en TensorFlow Hub . En TensorFlow Hub, puede usar el filtro de dominio del problema para ver los tipos de datos del modelo y reducir su lista.
La siguiente lista vincula 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 la clasificación de imágenes o la detección de objetos, puede encontrar varios modelos de TensorFlow.js que se ajusten a sus necesidades. Una vez que tenga algunos modelos aplicables a su caso de uso, querrá identificar el modelo que proporcionará la mejor solución. Para ello, tenga en cuenta 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, asuma 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 prefabricados en TensorFlow.js suelen estar disponibles en dos formas. Los modelos oficiales vienen envueltos en clases de JavaScript, lo que los hace fáciles de implementar en su aplicación. Otros están en un formato sin formato que puede requerir código adicional para pre o postprocesar los datos de entrada y salida.
Usa los modelos de TensorFlow.js como tu 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 facilitan la integración en su código. El sitio de TensorFlow Hub proporciona modelos adicionales. Tenga en cuenta que los modelos en Hub pueden estar en un formato sin procesar que requiere trabajo adicional de su parte para integrarse.
Modelos TensorFlow
Es posible convertir modelos regulares 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 saber cómo puede usar dicho modelo en una aplicación web.