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 Keras JSON 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nn加速器？
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
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nn加速器，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.json
3.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.json
4.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nn加速器，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 models
model.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 https://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 https://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
