TensorFlow con JavaScript

Diferencias de TF.js con TF

• Podras agregar capacidades de aprendizaje de maquina a cualquier aplicacion web.
• Te permitira crear y entrenar modelos en el Navegador o en un servidor en Node.
• Podras utilizar modelos pre-entrenados en tu entorno de JavaScript.

Recoleccion de basura

JavaScript elimina de memoria aquellas variables que ya no estamos utilizando.

• A diferencia del codigo de JavaScript, los objetos y variables utilizados por TensorFlow.js no son liberados de la memoria automaticamente cuando salen fuera del alcance.
• Es necesario utilizar la funcion tf.tidy() para limpiar los tensores intermedios. Evitando fugas de memoria que pueden causar que el navegador pierda desempeño.
• Existen funciones para medir el desempeño y tambien para realizar un perfilado de la ejecucion de los flujos y modelos que pueden ayudarnos a detectar errores o ejecuciones ineficientes.

Clases Principales de TensorFlow.js

• Tensores (Tensors)
• Modelos (Models)
• Capas (Layers)
• Operaciones (Operations)
• Entrenamiento (Training)
• Desempeño (Performance)
• Entorno (Environment)
• Restricciones (Constraints)
• Inicializadores (Initializers)
• Regularizadores (Regularizers)
• Datos (Data)
• Visualizacion (Visualization)
• Utilerias (Utils)
• Backends
• Navegador (Browser)
• Metricas (Metrics)
• Callbacks

Clases Principales de la Libreria TensorFlow.js

Usar Tensorflow.js en node, en backend tiene varias opciones (o paquetes npm):

• @tensorflow/tfjs (misma librería que se usa en CHROME)
• @tensorflow/tfjs-node (librería orientada al backend)
• @tensorflow/tfjs-node-gpu (librería orientada al backend JS con el uso de procesadores gráficos cuda/GPUs)

Para poder usar las librerías de backend se requiere node, npm, etc. y en particular para la librería que usa gpu, se requiere la instalación de dependencias del fabricante de la tarjeta gráfica, en el caso de Nvidia por ejemplo GPU-toolkit y nCUDAs (spoiler: es un tanto más complejo, pero igual de emocionante)
https://developer.nvidia.com/cuda-toolkit

Infraestructura / arquitectura sobre la que se ejecuta Tensorflow / TensorflowJS

Utilice Tesseract.js para el reconocimiento óptico de caracteres, funciona bien, pero con TensorFlow viendo que potente es, puede llegar a ser más rápido en el reconocimiento de caracteres, algo como ya lo vemos con Google Lens.