TensorFlow。js微信小程序插件开始支持模型缓存的方法

通常情况下,微信小程序追求的是短小精悍,即开即用,用完即走,适用于一些简单的应用场景。然而,随着微信小程序开放能力的提高,人们发现用微信小程序可以实现越来越多的功能,小程序也越来越复杂的,越来越庞大起来。这个可以从小程序的大小限制的变化看出,最开始小程序的大小限制为1 m,后来限制为2米,最新微信又给小程序提供了分包加载机制,开发者将小程序划分成不同的子包,用户在使用时按需进行加载,所有分包大小限制提高到8 m。

虽然小程序的大小限制已经大大提升,但对于小程序开发者而言,仍然捉襟见肘。随便几个图片资源,js库就可能导致小程序超重,尤其对于人工智能小程序而言,更是如此。现在的深度学习模型,动辄几十米,多则一两百M .这个时候开发人员就需要进行取舍,选择那些模型规模小,但精度不那么高的模型,比如图片分类,我们就不要选择《盗梦空间》V3或ResNet之类的超大规模模型,而是选择针对移动设备优化的MobileNet,也能取得不错的效果。

不过即使是MobileNet,其模型大小也有好几米,对于精简小程序大小仍是一个很大的负担。一种解决方案是从网络加载模型,不增加小程序的体积,但这并不是一个完美的解决方案,毕竟每次推导都需要从网络下载模型,会有一定的网络延迟。在前端开发中,为了保持系统的流畅,通常会采用一些缓存技巧来避免每次从网络加载图片,JS等文件。那能否将模型也作为资源缓存起来呢?

谷歌团队显然也意识到了这种需求,先是在TensorFlow.js中增加了对tfjs模型缓存的支持。最近,TensorFlow。js微信小程序插件也得到了更新,支持微信小程序模型缓存。

模型缓存利用了微信小程序的存储接口,需要注意微信小程序对存储的限制:同一个微信用户,同一个小程序存储上限为10 mb.storage以用户维度隔离,同一台设备上,一个用户无法读取到B用户的数据,不同小程序之间也无法互相读写数据,所以我们只能选用小于10米的模型。

<>强启用模型缓存也非常简单,步骤如下:

修改app.json文件,将tfjsPlugin的版本修改为0.0.8。