项目可以让你使用WebGL在GPU驱动的、你的浏览器上运行训练好的Keras模型。模型直接根据KerasJSON格式配置文件和关联的HDF5权重而序列化（serialized）。项目地址：https://github.com/transcranial/keras-js互动演示用于 MNIST 的基本卷积网络在 MNIST 上训练的卷积变自编码器（Convolutional Variational Autoencoder）在 ImageNet 上训练的 50 层的残差网络（Residual Network）在 ImageNet 上训练的 Inception V3用于 IMDB 情绪分类的双向 LSTM 为什么要做这个项目？消除对后端基础设施或 API 调用的需求完全将计算卸载到客户端浏览器互动应用程序使用方法查看 demos/src/ 获取真实案例的源代码。1. 对 Model 和 Sequential 都适用model = Sequential()model.add(...)......model = Model(input=...， output=...)一旦训练完成，保存权重和导出模型架构配置：model.save_weights('model.hdf5')with open('model.json'， 'w') as f:f.write(model.to_json())参见演示的 jupyter notebooks 了解详情：demos/notebooks/2. 在 HDF5 权重文件上运行编码器脚本：$ python encoder.py /path/to/model.hdf5这将在同一个文件夹中产生两个用作 HDF5 权重的文件：model_weights.buf 和 model_metadata.json3.Keras.js 所需的三个文件：模型文件：model.json权重文件：model_weights.buf权重元数据文件：model_metadata.json4.GPU 支持由 weblas(https://github.com/waylonflinn/weblas) 驱动。将 Keras.js 和 Weblas 库包含进去： src='lib/weblas.js'/src='dist/keras.js'/5. 创建新模型实例化时，数据通过 XHR（相同域或要求 CORS）加载，层被初始化为有向无环图。当这些步骤完成之后，类方法 ready() 返回一个解决问题的 Promise。然后，使用 perdict() 让数据通过模型，这也会返回一个 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 modelsmodel.predict(inputData).then(outputData = {// e.g.，// outputData['fc1000']})})可用的层高级激活: LeakyReLU， PReLU， ELU， ParametricSoftplus， ThresholdedReLU， SReLU卷积: Convolution1D， Convolution2D， AtrousConvolution2D， SeparableConvolution2D， Deconvolution2D， Convolution3D， UpSampling1D， UpSampling2D， UpSampling3D， ZeroPadding1D， ZeroPadding2D， ZeroPadding3D内核: Dense， Activation， Dropout， SpatialDropout2D， SpatialDropout3D， Flatten， Reshape， Permute， RepeatVector， Merge， Highway， MaxoutDense嵌入: Embedding归一化: BatchNormalization池化: MaxPooling1D， MaxPooling2D， MaxPooling3D， AveragePooling1D， AveragePooling2D， AveragePooling3D， GlobalMaxPooling1D， GlobalAveragePooling1D， GlobalMaxPooling2D， GlobalAveragePooling2D循环: SimpleRNN， LSTM， GRU包装器: Bidirectional， TimeDistributed还没有实现的层目前还不能直接实现 Lambda，但最终会创建一个通过 Java 定义计算逻辑的机制。内核: Lambda卷积: Cropping1D， Cropping2D， Cropping3D本地连接: LocallyConnected1D， LocallyConnected2D噪声:GaussianNoise， GaussianDropout备注WebWorker 及其限制Keras.js 可以与主线程分开单独运行在 WebWorker 中。因为 Keras.js 会执行大量同步计算，这可以防止该 UI 受到影响。但是，WebWorker 的最大限制之一是缺乏 canvas 访问（所以要用 WebGL）。所以在单独的线程中运行 Keras.js 的好处被必须运行在 CPU 模式中的要求抵消了。换句话说，在 GPU 模式中运行的 Keras.js 只能运行在主线程上。WebGL MAX_TEXTURE_SIZE在 GPU 模式中，张量对象被编码成了计算之前的 WebGL textures。这些张量的大小由 gl.getParameter(gl.MAX_TEXTURE_SIZE) 限定，这会根据硬件或平台的状况而有所不同。参考 http://webglstats.com/ 了解典型的预期值。在 im2col 之后，卷积层中可能会有一个问题。比如在 Inception V3 网络演示中，第一层卷积层中 im2col 创造了一个 22201 x 27 的矩阵，并在第二层和第三层卷积层中创造 21609 x 288 的矩阵。第一个维度上的大小超过了 MAX_TEXTURE_SIZE 的最大值 16384，所以必须被分割开。根据权重为每一个分割开的张量执行矩阵乘法，然后再组合起来。在这个案例中，当 createWeblasTensor() 被调用时，Tensor 对象上会提供一个 weblasTensorsSplit 属性。了解其使用的例子可查看 src/layers/convolutional/Convolution2D.js开发/测试对于每一个实现的层都存在广泛的测试。查看 notebooks/ 获取为所有这些测试生成数据的 jupyter notebooks。$ npm install要运行所有测试，执行 npm run server 并访问 http://localhost:3000/test/。所有的测试都会自动运行。打开你的浏览器的开发工具获取额外的测试数据信息。对于开发，请运行：$ npm run watch编辑 src/ 中的任意文件都会触发 webpack 来更新 dist/keras.js。要创建生产型的 UMD webpack 版本，输出到 dist/keras.js，运行：$ npm run build证书MIT：https://github.com/transcranial/keras-js/blob/master/LICENSE文章来源：机器之心《Node.js项目实战：从编写代码到服务器部署以实现一个基本功能完整的论坛系统入手，以实现业务逻辑为主，力求展现编写Node.js项目的整个流程。同时在实现过程中也会介绍各种常用模块的 基本使用方法，比如express、supertest、mocha、passport、mysql、pm2、async、webpack等。点击下方二维码查看课程详情