# Learn Tensorflow.js in 30 minutes - 陳柏儒 Blue Chen 大會筆記

{%hackmd D_yXRZ3kQuiR5RjV0P_kPg %}

> 請等待大會開始

tensorflow架構

前生deeplearn js 使用webgl

webdnn (webassambly webgpu) 許多裝置不相容

keras model tensorflow savedmodel

tfjs converter 將python算好的model convert到js

nodejs 因為會用到一些gl相關的lib 使用 -> tfjs-node

同時支援訓練與跑Inference

Tensorflow基礎函數

tfjs-core核心函數

張量單元 Tensors資料單元 Vairiables 將張量值轉換成初始值

模型運算 Models Layers Operations

效能調教(目前的API比較簡單 比較少可以調整的東西) Traning Performance

隨機產出的曲線與資料相差甚大

學習率怎麼設定

經驗法則 前進的距離 太大太小都可能錯過最精準的預測

不斷的train之後得到最接近的解

資料要是在人可以解讀的情況之下

真實的資料可能是很多的群體 人無法直接從資料做出歸納

所以要搭配機器學習

深度學習的function很多都是經驗法則，這要透過其他的方式去學習

將訓練的模型可以直接存下來或是api直接給別的程式接

模型是很多binary組成的 代表每個operator操作後的結果 tensorflow拆離得很好 很好convet成其他的model

tensorflow在前端跑的話是很困難的

要call webgl api在call電腦底層 老舊的api 有一些memory相關issue

keras model to tensorflow js有一些layer operator不支援 要特別注意

deep learning就像堆積木 經驗法則 根據很多別人的論文 去跨過做更多的訓練

前端+深度學習的好處

1. Web api可以直接驗證model，可以直接顯示在頁面上，不用在call後端api
2. web容易跑在終端裝置

前端深度學習的未來

transfer learing適合做在前端

將認別的功能做在後端，在前端做分群的概念

網頁要做前處理不是很容易
EX:先判端一張圖裡面的人臉

物理性的問題
ex:相機不夠好 導致誤判
截圖效能太差

以聲音輸出為例

1.麥克風品質或是api太差 無法良好的input
2.聲音quality不一
3.通常model無法重複使用(聲音大小聲在不同裝置 不同環境 不同系統都不一樣)

突出的AI團隊特質
不太會說自己是真正的AI公司
真正的AI公司 本質是超強的軟體公司

###### tags: `#FEDC2018`