Aprendizaje automático en Node.js utilizando Tensorflow.js

Hola a todos. El tema de mi charla relámpago es el aprendizaje automático en Node.js utilizando TensorFlow.js.

Hola, soy Shivailamba. Actualmente soy miembro de SIG de TensorFlow.js y también mentor de Google Codename en TensorFlow.

Entonces, la primera pregunta que surge en la mente de todos es ¿qué es exactamente TensorFlow.js? TensorFlow.js es una biblioteca de código abierto que permite la integración fácil de modelos de aprendizaje automático directamente en JavaScript. Por lo tanto, reduce la necesidad de aprender un lenguaje separado como Python para alojar modelos de aprendizaje automático. Y permite una integración muy fácil de algún tipo de modelos preentrenados o escribir tus propios modelos desde cero directamente en JavaScript.

Y como sabemos que JavaScript es un lenguaje realmente versátil, se puede ejecutar en diferentes plataformas como en el navegador, en dispositivos móviles o incluso en dispositivos IoT que ejecutan Raspberry Pi. Por lo tanto, todas estas plataformas diferentes ahora tienen fácil acceso a aplicaciones basadas en aprendizaje automático sin necesidad de complementos, ¿verdad? Y el aprendizaje automático que se puede utilizar en TensorFlow.js no solo puede utilizar modelos preexistentes, sino que también puede utilizar el aprendizaje por transferencia para volver a entrenar algunos de los modelos existentes en función de tu propio conjunto de datos. Y también puedes escribir modelos de aprendizaje automático directamente en JavaScript utilizando JavaScript y sin necesidad de ningún otro lenguaje como Python.

Ahora esta es la arquitectura de TensorFlow.js. Hay tres API diferentes que se proporcionan. La capa superior que ves son los modelos preentrenados de TensorFlow.js que son clases de JavaScript completamente listas para usar. El siguiente es la API de capas que permite construir y entrenar modelos fácilmente utilizando bloques de construcción de alto nivel de manera similar a cómo se ha construido Keras sobre TensorFlow. Y finalmente tenemos la API de operaciones o núcleo que te ayuda a tener un control afinado de la arquitectura del modelo o hacer cálculos matemáticos como álgebra lineal. Y esto se puede ejecutar tanto en el lado del cliente como en el lado del servidor. En el lado del cliente, tenemos el navegador o las aplicaciones basadas en móviles que utilizan la CPU o los gráficos acelerados por web como WebGL o WebAssembly. Y en el lado del servidor, hay soporte para TensorFlow CPU que se ejecutan a través de las vinculaciones C y también tenemos soporte para TensorFlow GPU que ayuda a obtener aceleración con la ayuda de CUDA que también se ejecuta en modelos de aprendizaje automático basados en Python.

Y finalmente, ¿cuáles son algunas de las principales ventajas de utilizar Node.js para ejecutar TensorFlow.js? La primera es que podemos escribir los modelos de aprendizaje automático directamente desde cero en JavaScript y solo estamos programando en un lenguaje. No es necesario utilizar ningún otro lenguaje para ejecutar, entrenar y probar estos modelos de aprendizaje automático. Al utilizar TensorFlow.js en Node.js, también estamos dando la capacidad de ejecutar modelos mucho más grandes que requieren mucha más potencia. Por ejemplo, si estamos ejecutando redes neuronales que tienen muchas épocas y requieren aceleración basada en gráficos. Por lo tanto, con la ayuda del hardware del servidor, como en Python, podemos utilizar la potencia de estos servidores para acelerar nuestros modelos más grandes que no se pueden hacer en el lado del cliente. Y también tenemos soporte para el ecosistema de NPM porque el ecosistema de NPM es tan grande y los módulos de Node son tan utilizados y están disponibles. Por lo tanto, también se pueden utilizar una amplia variedad de módulos de Node directamente con tu código basado en TensorFlow.js para ayudar con tu aplicación de TensorFlow.js. Y lo más importante, obtenemos un rendimiento mucho mejor porque Node.js utiliza el compilador de just-in-time y los modelos escritos en TensorFlow.js utilizando Node.js también pueden obtener este impulso de rendimiento. Y eso es bastante evidente con algunos ejemplos. Por ejemplo, este gráfico muestra la comparación de TensorFlow ejecutándose en modelos basados en Python y también en TensorFlow.js para un MobileNet, que es un modelo de red neuronal convolucional. Y como puedes ver, la comparación del tiempo que realmente tarda en ejecutarse el modelo no es muy diferente.

Entonces eso significa que TensorFlow.js en sí está bastante optimizado para ejecutar modelos estándar muy industriales, así como también para modelos más nuevos al mismo tiempo. Y en algunos casos, el modelo TensorFlow.js realmente proporciona un rendimiento mucho mejor en comparación con las versiones de Python. Por ejemplo, BERT, que es un modelo de lenguaje de vanguardia para el procesamiento del lenguaje natural, podemos ver que aquí, en realidad, hay un aumento de rendimiento dos veces mejor al utilizar Node.js en comparación con un modelo basado en Python que ejecuta esta clasificación BERT.

Ahora, pasando a la parte más importante, es decir, cómo podemos comenzar a utilizar TensorFlow.js en Node.js. Tenemos tres paquetes diferentes que puedes instalar, como los paquetes npm. El primero es TensorFlow CPU. TensorFlow CPU es, cuando importamos este paquete, el módulo que obtenemos se acelera mediante el binario C de TensorFlow y se ejecuta en la CPU. TensorFlow en la CPU utiliza la aceleración de hardware para acelerar cualquier tipo de cálculo matemático, como álgebra lineal.

Ahora, la extensión de eso es el paquete TensorFlow GPU. Al igual que el paquete CPU, este paquete GPU en particular se acelerará mediante el binario C de TensorFlow. Pero también ejecuta las operaciones de tensor en la GPU con la ayuda de CUDA, lo que acelera considerablemente el rendimiento. Esta vinculación es definitivamente la más rápida en comparación con cualquier otro paquete que tengamos. Y finalmente, también tenemos el paquete vanilla. Este paquete es muy similar al que se ejecuta en el navegador. Y en este paquete, las operaciones se ejecutan en JavaScript puro y en la CPU. En comparación con los otros módulos, es decir, TensorFlow CPU y TensorFlow GPU, este no tiene soporte para el binario de TensorFlow, lo que hace que el paquete en general sea mucho más pequeño. Y debido a esto, dado que no depende de TensorFlow, también se puede utilizar en muchos otros dispositivos que admiten Node.js.

Una de las consideraciones importantes que se deben tener en cuenta es que las vinculaciones de Node.js para TensorFlow.js se ejecutan en el backend de TensorFlow.js que las implementa de forma síncrona. Eso significa que cuando ejecutamos las vinculaciones de Node.js en una aplicación de producción, como un servidor web, debemos configurar una cola de espera o un servidor o hilos de trabajo para que no bloquee el hilo principal. También hay soporte para API porque una vez que hemos importado el paquete, todos los símbolos normales de TensorFlow.js que usamos pueden aparecer una vez que hemos importado el módulo específico. Por ejemplo, uno de ellos es dfNode, que contiene API específicas de Node.js, y TensorBoard es un ejemplo notable de las API específicas de Node.js.

Este es un código de ejemplo que debería darte un ejemplo donde hemos definido un modelo y lo estamos entrenando utilizando tf.node.tensorboard. Eso ayuda en el entrenamiento de tu modelo. Con eso, termina mi presentación y espero que te haya gustado y puedes conectarte conmigo en estas plataformas sociales para hacer cualquier pregunta sobre TensorFlow.js. Nuevamente, sigue cualquier tipo de modelo de TensorFlow.js utilizando el hashtag madewithTensorFlow.js en Twitter y LinkedIn. Y nuevamente, no dudes en conectarte conmigo para cualquier consulta sobre TensorFlow.js. Espero que te haya gustado. Gracias por ver.