I modelli prefabbricati sono modelli già addestrati per uno scopo specifico. Sono disponibili numerosi modelli open source già addestrati che puoi utilizzare immediatamente con TensorFlow.js per eseguire numerose attività di machine learning. Questo argomento fornisce indicazioni su come trovare e selezionare modelli predefiniti per il tuo caso d'uso.
Vantaggi dell'utilizzo di modelli prefabbricati
TensorFlow.js dispone di un ampio spettro di modelli predefiniti che possono essere utilizzati in qualsiasi progetto e offre i seguenti vantaggi significativi:
- Risparmia tempo e risorse : evita i lunghi processi di raccolta, preparazione ed etichettatura dei dati, quindi formazione, valutazione e miglioramento del modello. Essere in grado di prototipare rapidamente le tue idee.
- Sfrutta la ricerca e la documentazione esistenti : la ricerca all'avanguardia utilizzata nello sviluppo di modelli predefiniti ti consente di implementarli rapidamente comprendendo al contempo come si comportano in diversi scenari del mondo reale.
- Abilita l'apprendimento del trasferimento : i modelli predefiniti consentono di utilizzare le informazioni apprese da un modello per un'attività in un altro caso d'uso simile. Questo processo di trasferimento di apprendimento ti consentirà di addestrare rapidamente i modelli esistenti su dati personalizzati.
Trova un modello
La ricerca di un modello TensorFlow.js esistente per il tuo caso d'uso dipende da ciò che stai cercando di realizzare. Ad esempio, la tua app deve essere eseguita sul lato client o sul lato server? Quanto sono importanti fattori come la privacy, la velocità e la precisione? eccetera.
Ecco alcuni modi consigliati per scoprire modelli da utilizzare con TensorFlow.js:
Ad esempio: il modo più veloce per trovare e iniziare a utilizzare modelli con TensorFlow.js è sfogliare la sezione delle demo di TensorFlow.js per trovare demo che eseguono un'attività simile al tuo caso d'uso. Questo catalogo fornisce divertenti esempi di casi d'uso con collegamenti al codice che ti aiuteranno a iniziare.
Per tipo di input dei dati: oltre a esaminare esempi simili al tuo caso d'uso, un altro modo per scoprire modelli per il tuo uso personale è considerare il tipo di dati che desideri elaborare, ad esempio audio, testo o immagini. I modelli di machine learning sono spesso progettati per l'uso con uno di questi tipi di dati, quindi cercare modelli che gestiscono il tipo di dati che desideri utilizzare può aiutarti a restringere i modelli da considerare. Puoi iniziare a sfogliare i modelli TensorFlow.js in base a casi d'uso generali nella sezione dei modelli TensorFlow.js oppure sfogliare un set più ampio di modelli su TensorFlow Hub . Su TensorFlow Hub, puoi utilizzare il filtro Dominio problematico per visualizzare i tipi di dati del modello e restringere l'elenco.
L'elenco seguente si collega ai modelli TensorFlow.js su TensorFlow Hub per casi d'uso comuni:
- Modelli di classificazione delle immagini
- Modelli di rilevamento di oggetti
- Modelli testuali
- Modelli audio
Scegli tra modelli simili
Se la tua applicazione segue un caso d'uso comune come la classificazione delle immagini o il rilevamento degli oggetti, potresti trovare più modelli TensorFlow.js adatti alle tue esigenze. Una volta che disponi di alcuni modelli applicabili al tuo caso d'uso, vuoi identificare il modello che fornirà la soluzione migliore. Per fare ciò, considerare i seguenti aspetti di ciascun modello:
- Velocità di inferenza
- Dimensione del file
- Utilizzo della RAM in fase di esecuzione
- Caratteristiche/capacità del modello
Quando decidi tra un numero di modelli, puoi restringere le opzioni in base al vincolo più limitante, ad esempio la dimensione del modello, la dimensione dei dati, la velocità di inferenza o l'accuratezza, ecc.
Se non sei sicuro di quale sia il vincolo più limitante, presumi che sia la dimensione del modello e scegli il modello più piccolo disponibile. Scegliere un modello piccolo ti offre la massima flessibilità in termini di dove puoi distribuire ed eseguire con successo il modello. Inoltre, i modelli più piccoli producono in genere inferenze più rapide e previsioni più rapide generalmente creano esperienze migliori per l'utente finale. Tuttavia , i modelli più piccoli in genere hanno tassi di precisione inferiori, quindi potrebbe essere necessario scegliere modelli più grandi se la precisione della previsione è la tua preoccupazione principale.
Fonti dei modelli
I modelli predefiniti in TensorFlow.js sono generalmente disponibili in due forme. I modelli ufficiali sono racchiusi in classi JavaScript che ne semplificano la distribuzione nella tua app. Altri sono in una forma grezza che potrebbe richiedere codice aggiuntivo per pre/post elaborare i dati di input e output.
Utilizza i modelli TensorFlow.js come prima destinazione per trovare e selezionare i modelli da utilizzare con TensorFlow.js. Questi sono i modelli ufficiali forniti dal team TensorFlow.js che dispongono già dei wrapper JavaScript che ne semplificano l'integrazione nel codice. Il sito TensorFlow Hub fornisce modelli aggiuntivi. Tieni presente che i modelli nell'Hub potrebbero essere in un formato raw che richiede ulteriore lavoro da parte tua per l'integrazione.
Modelli TensorFlow
È possibile convertire i normali modelli TensorFlow nel formato TensorFlow.js. Per ulteriori informazioni sulla conversione dei modelli, vedere l'argomento Conversione del modello . Puoi trovare i modelli TensorFlow su TensorFlow Hub e nel TensorFlow Model Garden .
Ulteriori letture
- Ora che sai dove trovare modelli pronti per l'uso, consulta il tutorial nativo di React per scoprire come utilizzare tale modello in un'app Web.