Первый запуск: проверка работоспособности библиотеки

Для использования Keras.js необходимо подготовить среду исполнения на стороне клиента. Библиотека работает в браузере и позволяет запускать предварительно обученные модели Keras без необходимости серверной обработки. Основные способы подключения:

  • Через CDN:
<script src="https://cdn.jsdelivr.net/npm/keras-js@0.8.0/dist/keras.min.js"></script>
  • Через npm:
npm install keras-js

После установки через npm можно подключать библиотеку в проект через сборщик, например, Webpack:

const KerasJS = require('keras-js');

Важно убедиться, что среда поддерживает WebGL, так как библиотека использует его для ускорения вычислений. Если WebGL отсутствует, Keras.js автоматически переключается на CPU-режим, что значительно снижает производительность.

Загрузка модели

Keras.js работает с моделями, сохранёнными в формате Keras .json для структуры и отдельными бинарными файлами для весов (.bin). Структура проекта может выглядеть так:

/model
   model.json
   group1-shard1of1.bin

Пример загрузки модели:

const model = new KerasJS.Model({
  filepath: 'model/model.json',
  gpu: true // использование WebGL для ускорения
});

model.ready()
  .then(() => {
    console.log('Модель загружена и готова к использованию');
  })
  .catch(err => {
    console.error('Ошибка загрузки модели:', err);
  });

Ключевой момент: model.ready() возвращает Promise, который необходимо дождаться перед выполнением предсказаний. Попытка использовать модель до её готовности приведёт к ошибкам.

Подготовка входных данных

Входные данные для модели должны точно соответствовать формату, используемому при обучении в Keras. Основные требования:

  • Тип данных: Float32Array или Uint8Array.
  • Форма массива (shape) должна совпадать с input shape модели. Например, для модели, обученной на изображениях размером 28×28:
const inputData = new Float32Array(28 * 28);
// Заполнение массива пикселями
for (let i = 0; i < inputData.length; i++) {
  inputData[i] = pixels[i] / 255.0; // нормализация
}
  • Для многомерных данных используется объект:
const input = {
  'input_1': inputData
};

Где 'input_1' — имя входного слоя модели.

Выполнение предсказания

После загрузки модели и подготовки данных выполняется метод model.predict():

model.predict(input)
  .then(outputData => {
    console.log('Результаты предсказания:', outputData);
  })
  .catch(err => {
    console.error('Ошибка при предсказании:', err);
  });

Особенности работы:

  • Метод возвращает Promise.
  • Результат outputData является объектом, где ключи соответствуют именам выходных слоев.
  • Данные выходного слоя обычно имеют форму Float32Array.

Пример обработки результата для классификации:

const predictions = outputData['dense_2']; // выходной слой
let maxIndex = 0;
for (let i = 1; i < predictions.length; i++) {
  if (predictions[i] > predictions[maxIndex]) {
    maxIndex = i;
  }
}
console.log('Класс с наибольшей вероятностью:', maxIndex);

Проверка работоспособности

Для проверки корректности работы Keras.js достаточно запустить минимальный пример:

  1. Загрузить модель.
  2. Создать простой тестовый ввод (например, массив из нулей или единиц).
  3. Получить предсказание и убедиться, что структура выхода соответствует ожиданиям.

Пример минимальной проверки:

const testInput = {
  'input_1': new Float32Array([0, 0, 0, 0, 0, 0, 0, 0, 0])
};

model.predict(testInput)
  .then(output => console.log('Test prediction output:', output))
  .catch(err => console.error('Test failed:', err));

При успешном выполнении этого кода можно быть уверенным, что библиотека подключена корректно, WebGL функционирует, и модель готова к полноценной работе.

Настройки производительности

  • GPU: включение ускорения через WebGL (gpu: true) значительно ускоряет обработку изображений и больших массивов данных.
  • CPU fallback: при отсутствии WebGL модель автоматически использует CPU, что подходит для тестирования, но снижает скорость.
  • Оптимизация памяти: при работе с большими моделями важно правильно управлять объектами Float32Array и удалять неиспользуемые данные после предсказаний.

Эти настройки позволяют гибко управлять использованием ресурсов браузера и поддерживать стабильную работу модели даже на слабых устройствах.

Оглавление