둘째, Node.js는 서버 측 애플리케이션을 만드는 데 매우 인기가 높은 환경입니다. 백엔드가 이미 Node.js로 작성되었고 이 스택에 머신 러닝을 추가하고 싶다면, 파이썬보다 tfjs-node를 선택하는 것이 일반적으로 더 낫습니다. 한 언어로 코드 베이스를 유지하면 데이터 적재나 포매팅 같은 많은 부분을 재사용할 수 있습니다. 이렇게 하면 모델 훈련 파이프라인을 빠르게 준비하는 데 도움이 됩니다. 기술 스택에 새로운 언어를 추가하지 않으면 복잡도와 유지 비용을 낮추고 파이썬 개발자를 고용하는 데 드는 시간과 비용을 절약할 수 있습니다.

마지막으로, 브라우저나 Node.js 전용 API를 사용하는 데이터 관련 코드를 제외하면 Tensor Flow.js로 쓰여진 머신 러닝 코드는 브라우저 환경과 Node.js에서 모두 잘 동작합니다. 이 책의 코드 예제 대부분은 두 환경에서 모두 동작합니다. 이 책은 환경에 독립적인 머신 러닝 관련 코드를 특정 환경에 맞는 데이터 입력이나 UI 코드에서 분리하려고 노력했습니다. 하나의 라이브러리를 배워서 서버와 클라이언트 양쪽에서 딥러닝을 수행할 수 있다는 것이 또 다른 장점입니다.