項(xiàng)目可以讓你使用 WebGL 在 GPU 驅(qū)動(dòng)的、你的瀏覽器上運(yùn)行訓(xùn)練好的 Keras 模型。模型直接根據(jù) Keras JSON 格式配置文件和關(guān)聯(lián)的 HDF5 權(quán)重而序列化（serialized）。

　　項(xiàng)目地址：https://github.com/transcranial/keras-js

　　互動(dòng)演示

　　用于 MNIST 的基本卷積網(wǎng)絡(luò)

　　在 MNIST 上訓(xùn)練的卷積變自編碼器（Convolutional Variational Autoencoder）

　　在 ImageNet 上訓(xùn)練的 50 層的殘差網(wǎng)絡(luò)（Residual Network）

　　在 ImageNet 上訓(xùn)練的 Inception V3

　　用于 IMDB 情緒分類的雙向 LSTM

　　為什么要做這個(gè)項(xiàng)目？

　　消除對(duì)后端基礎(chǔ)設(shè)施或 API 調(diào)用的需求

　　完全將計(jì)算卸載到客戶端瀏覽器

　　互動(dòng)應(yīng)用程序

　　使用方法

　　查看 demos/src/ 獲取真實(shí)案例的源代碼。

　　1. 對(duì) Model 和 Sequential 都適用

　　model = Sequential()

　　model.add(...)

　　...

　　...

　　model = Model(input=..., output=...)

　　一旦訓(xùn)練完成，保存權(quán)重和導(dǎo)出模型架構(gòu)配置：

　　model.save_weights('model.hdf5')

　　with open('model.json', 'w') as f:

　　f.write(model.to_json())

　　參見演示的 jupyter notebooks 了解詳情：demos/notebooks/

　　2. 在 HDF5 權(quán)重文件上運(yùn)行編碼器腳本：

　　$ python encoder.py /path/to/model.hdf5

　　這將在同一個(gè)文件夾中產(chǎn)生兩個(gè)用作 HDF5 權(quán)重的文件：model_weights.buf 和 model_metadata.json

　　3.Keras.js 所需的三個(gè)文件：

　　模型文件：model.json

　　權(quán)重文件：model_weights.buf

　　權(quán)重元數(shù)據(jù)文件：model_metadata.json

　　4.GPU 支持由 weblas(https://github.com/waylonflinn/weblas) 驅(qū)動(dòng)。將 Keras.js 和 Weblas 庫包含進(jìn)去：

　　< src="lib/weblas.js"></>

　　< src="dist/keras.js"></>

　　5. 創(chuàng)建新模型

　　實(shí)例化時(shí)，數(shù)據(jù)通過 XHR（相同域或要求 CORS）加載，層被初始化為有向無環(huán)圖。當(dāng)這些步驟完成之后，類方法 ready() 返回一個(gè)解決問題的 Promise。然后，使用 perdict() 讓數(shù)據(jù)通過模型，這也會(huì)返回一個(gè) Promise。

　　const model = new KerasJS.Model({

　　filepaths: {

　　model: 'url/path/to/model.json',

　　weights: 'url/path/to/model_weights.buf',

　　metadata: 'url/path/to/model_metadata.json'

　　}

　　gpu: true

　　})

　　model.ready().then(() => {

　　// input data object keyed by names of the input layers

　　// or `input` for Sequential models

　　// values are the flattened Float32Array data

　　// (input tensor shapes are specified in the model config)

　　const inputData = {

　　'input_1': new Float32Array(data)

　　}

　　// make predictions

　　// outputData is an object keyed by names of the output layers

　　// or `output` for Sequential models

　　model.predict(inputData).then(outputData => {

　　// e.g.,

　　// outputData['fc1000']

　　})

　　})

　　可用的層

　　高級(jí)激活: LeakyReLU, PReLU, ELU, ParametricSoftplus, ThresholdedReLU, SReLU

　　卷積: Convolution1D, Convolution2D, AtrousConvolution2D, SeparableConvolution2D, Deconvolution2D, Convolution3D, UpSampling1D, UpSampling2D, UpSampling3D, ZeroPadding1D, ZeroPadding2D, ZeroPadding3D

　　內(nèi)核: Dense, Activation, Dropout, SpatialDropout2D, SpatialDropout3D, Flatten, Reshape, Permute, RepeatVector, Merge, Highway, MaxoutDense

　　嵌入: Embedding

　　歸一化: BatchNormalization

　　池化: MaxPooling1D, MaxPooling2D, MaxPooling3D, AveragePooling1D, AveragePooling2D, AveragePooling3D, GlobalMaxPooling1D, GlobalAveragePooling1D, GlobalMaxPooling2D, GlobalAveragePooling2D

　　循環(huán): SimpleRNN, LSTM, GRU

　　包裝器: Bidirectional, TimeDistributed

　　還沒有實(shí)現(xiàn)的層

　　目前還不能直接實(shí)現(xiàn) Lambda，但最終會(huì)創(chuàng)建一個(gè)通過 Java 定義計(jì)算邏輯的機(jī)制。

　　內(nèi)核: Lambda

　　卷積: Cropping1D, Cropping2D, Cropping3D

　　本地連接: LocallyConnected1D, LocallyConnected2D

　　噪聲:GaussianNoise, GaussianDropout

　　備注

　　WebWorker 及其限制

　　Keras.js 可以與主線程分開單獨(dú)運(yùn)行在 WebWorker 中。因?yàn)?Keras.js 會(huì)執(zhí)行大量同步計(jì)算，這可以防止該 UI 受到影響。但是，WebWorker 的最大限制之一是缺乏 <canvas> 訪問（所以要用 WebGL）。所以在單獨(dú)的線程中運(yùn)行 Keras.js 的好處被必須運(yùn)行在 CPU 模式中的要求抵消了。換句話說，在 GPU 模式中運(yùn)行的 Keras.js 只能運(yùn)行在主線程上。

　　WebGL MAX_TEXTURE_SIZE

　　在 GPU 模式中，張量對(duì)象被編碼成了計(jì)算之前的 WebGL textures。這些張量的大小由 gl.getParameter(gl.MAX_TEXTURE_SIZE) 限定，這會(huì)根據(jù)硬件或平臺(tái)的狀況而有所不同。參考 https://webglstats.com/ 了解典型的預(yù)期值。在 im2col 之后，卷積層中可能會(huì)有一個(gè)問題。比如在 Inception V3 網(wǎng)絡(luò)演示中，第一層卷積層中 im2col 創(chuàng)造了一個(gè) 22201 x 27 的矩陣，并在第二層和第三層卷積層中創(chuàng)造 21609 x 288 的矩陣。第一個(gè)維度上的大小超過了 MAX_TEXTURE_SIZE 的最大值 16384，所以必須被分割開。根據(jù)權(quán)重為每一個(gè)分割開的張量執(zhí)行矩陣乘法，然后再組合起來。在這個(gè)案例中，當(dāng) createWeblasTensor() 被調(diào)用時(shí)，Tensor 對(duì)象上會(huì)提供一個(gè) weblasTensorsSplit 屬性。了解其使用的例子可查看 src/layers/convolutional/Convolution2D.js

　　開發(fā)/測(cè)試

　　對(duì)于每一個(gè)實(shí)現(xiàn)的層都存在廣泛的測(cè)試。查看 notebooks/ 獲取為所有這些測(cè)試生成數(shù)據(jù)的 jupyter notebooks。

　　$ npm install

　　要運(yùn)行所有測(cè)試，執(zhí)行 npm run server 并訪問 https://localhost:3000/test/。所有的測(cè)試都會(huì)自動(dòng)運(yùn)行。打開你的瀏覽器的開發(fā)工具獲取額外的測(cè)試數(shù)據(jù)信息。

　　對(duì)于開發(fā)，請(qǐng)運(yùn)行：

　　$ npm run watch

　　編輯 src/ 中的任意文件都會(huì)觸發(fā) webpack 來更新 dist/keras.js。

　　要?jiǎng)?chuàng)建生產(chǎn)型的 UMD webpack 版本，輸出到 dist/keras.js，運(yùn)行：

　　$ npm run build

　　證書

　　MIT：https://github.com/transcranial/keras-js/blob/master/LICENSE

　　文章來源：機(jī)器之心

　　《Node.js項(xiàng)目實(shí)戰(zhàn)：從編寫代碼到服務(wù)器部署以實(shí)現(xiàn)一個(gè)基本功能完整的論壇系統(tǒng)入手，以實(shí)現(xiàn)業(yè)務(wù)邏輯為主，力求展現(xiàn)編寫Node.js項(xiàng)目的整個(gè)流程。同時(shí)在實(shí)現(xiàn)過程中也會(huì)介紹各種常用模塊的 基本使用方法，比如express、supertest、mocha、passport、mysql、pm2、async、webpack等。點(diǎn)擊下方二維碼查看課程詳情