• TensorFlow.js 简介
    • 浏览器中使用 TensorFlow.js 的优势
    • TensorFlow.js 性能对比

    TensorFlow.js 简介

    ../../_images/tensorflow-js.gif

    TensorFlow.js 是 Tensorflow 的 JavaScript 版本，支持GPU硬件加速，可以运行在 Node.js 或浏览器环境中。它不但支持完全基于 JavaScript 从头开发、训练和部署模型，也可以用来运行已有的 Python 版 Tensorflow 模型，或者基于现有的模型进行继续训练。

    ../../_images/architecture.gif

    TensorFlow.js 支持 GPU 硬件加速。在 Node.js 环境中，如果有 CUDA 环境支持，或者在浏览器环境中，有 WebGL 环境支持，那么 TensorFlow.js 可以使用硬件进行加速。

    微信小程序也提供了官方插件，封装了TensorFlow.js库，利用小程序WebGL API给第三方小程序调用时提供GPU加速。

    本章，我们将基于 TensorFlow.js 1.0，向大家简单的介绍如何基于 ES6 的 JavaScript 进行 TensorFlow.js 的开发，然后提供两个例子，并基于例子进行详细的讲解和介绍，最终实现使用纯 JavaScript 进行 Tensorflow 模型的开发、训练和部署。

    本章中提到的 JavaScript 版 Tensorflow 的相关代码，使用说明，和训练好的模型文件及参数，都可以在作者的 GitHub 上找到。地址： https://github.com/huan/tensorflow-handbook-javascript

    浏览器中使用 TensorFlow.js 的优势

    ../../_images/chrome-ml.png

    TensorFlow.js可以让我们直接在浏览器中加载Tensorflow，让用户立即通过本地的CPU/GPU资源进行我们所需要的机器学习运算，更灵活的进行AI应用的开发。

    浏览器中进行机器学习，相对比与服务器端来讲，将拥有以下四大优势：

    • 不需要安装软件或驱动（打开浏览器即可使用）；

    • 可以通过浏览器进行更加方便的人机交互；

    • 可以通过手机浏览器，调用手机硬件的各种传感器（如：GPS、电子罗盘、加速度传感器、摄像头等）；

    • 用户的数据可以无需上传到服务器，在本地即可完成所需操作。

    通过这些优势，TensorFlow.js 将带给开发者带来极高的灵活性。比如在 Google Creative Lab 在2018年7月发布的 Move Mirror 里，我们可以在手机上打开浏览器，通过手机摄像头检测视频中用户的身体动作姿势，然后通过对图片数据库中类似身体动作姿势的检索，给用户显示一个最能够和他当前动作相似的照片。在Move Mirror的运行过程中，数据没有上传到服务器，所有的运算都是在手机本地，基于手机的CPU/GPU完成的，而这项技术，将使Servreless与AI应用结合起来成为可能。

    ../../_images/move-mirror.jpg

    • Move Mirror 地址：<https://experiments.withgoogle.com/move-mirror>

    • Move Mirror 所使用的 PoseNet 地址：https://github.com/tensorflow/tfjs-models/tree/master/posenet

    TensorFlow.js 性能对比

    TensorFlow.js的性能如何，Google官方做了一份基于 MobileNet 的评测，可以作为参考。具体评测是基于 MobileNet 的 Tensorflow 模型，将其 JavaScript 版本和 Python 版本各运行两百次。

    其评测结论如下。

    手机浏览器性能：

    ../../_images/performance-mobile.png

    TensorFlow.js在手机浏览器中运行一次推理：

    1. 在IPhoneX上需要时间为22ms1. 在Pixel3上需要时间为100ms

    与 Tensorflow Lite 代码基准相比，手机浏览器中的 TensorFlow.js 在 IPhoneX 上的运行时间为基准的1.2倍，在 Pixel3 上运行的时间为基准的 1.8 倍。

    台式机浏览器性能：

    在浏览器中，TensorFlow.js 可以使用 WebGL 进行硬件加速，将 GPU 资源使用起来。

    ../../_images/performance-browser.gif

    TensorFlow.js在浏览器中运行一次推理：

    • 在CPU上需要时间为97ms

    • 在GPU (WebGL)上需要时间为10ms

    与Python代码基准相比，浏览器中的 TensorFlow.js 在 CPU 上的运行时间为基准的1.7倍，在 GPU (WebGL) 上运行的时间为基准的3.8倍。

    Node.js性能：

    在 Node.js 中，TensorFlow.js 使用 Tensorflow 的 C Binding ，所以基本上可以达到和 Python 接近的效果。

    ../../_images/performance-node.png

    TensorFlow.js 在 Node.js 运行一次推理：

    • 在 CPU 上需要时间为56ms

    • 在 GPU(CUDA) 上需要时间为14ms

    与 Python 代码基准相比，Node.js 的 TensorFlow.js 在 CPU 上的运行时间与基准相同，在 GPU（CUDA） 上运行的时间是基准的1.6倍。