머신 러닝은 광범위한 분야이고 TensorFlow.js는 다재다능한 라이브러리입니다. 따라서 다음과 같은 애플리케이션은 기존의 TensorFlow.js 기술로 해결할 수 있지만 이 책의 범위를 넘어섭니다.
• Node.js 환경에서 (테라바이트 단위의) 대규모 데이터를 다루는 심층 신경망의 고성능 분산 훈련
• SVM, 결정 트리, 랜덤 포레스트 같은 신경망 이외의 기술
• 대용량 문서를 몇 개의 대표 문장으로 줄이는 텍스트 요약 엔진, 입력 이미지에 대해 텍스트 요약을 생성하는 이미지-투-텍스트 엔진, 입력 이미지의 해상도를 향상시키는 이미지 생성 모델 같은 고급 딥러닝 애플리케이션
하지만 이 책이 이런 고급 애플리케이션에 관련된 글과 코드를 배우는 데 갖춰야 할 기본적인 딥러닝 지식을 제공할 것입니다.
다른 모든 기술과 마찬가지로 TensorFlow.js는 한계가 있습니다. 일부 작업은 할 수 있는 범위를 넘어섭니다. 이런 한계가 향후 극복될 가능성이 있지만, 이 글을 쓰는 시점에 이 경계가 어디인지 알고 있는 것이 좋습니다.
• 브라우저 탭의 RAM과 WebGL 한계를 넘는 메모리가 필요한 딥러닝 모델 실행. 브라우저 내 추론의 경우 일반적으로 전체 가중치 크기가 100MB 이상인 모델을 말합니다. 훈련의 경우 더 많은 메모리와 컴퓨팅 파워가 필요하기 때문에 작은 모델이더라도 브라우저 탭에서 훈련하기에는 너무 느릴 수 있습니다. 모델 훈련은 일반적으로 추론보다 많은 양의 데이터를 다룹니다. 이는 브라우저 내 훈련의 가능성을 평가할 때 고려해야 할 또 다른 제한 요소입니다.
• 바둑 게임에서 사람을 이길 수 있는 고급 강화 학습 모델 만들기
• Node.js를 사용해 분산 (다중 머신) 설정으로 딥러닝 모델 훈련하기