通常情況下，微信小程序追求的是短小精悍，即開即用，用完即走，適用于一些簡(jiǎn)單的應(yīng)用場(chǎng)景。然而，隨著微信小程序開放能力的提高，人們發(fā)現(xiàn)用微信小程序可以實(shí)現(xiàn)越來越多的功能，小程序也越來越復(fù)雜，越來越龐大起來。這個(gè)可以從小程序的大小限制的變化看出，最開始小程序的大小限制為1M，后來限制為2M，最新微信又給小程序提供了分包加載機(jī)制，開發(fā)者將小程序劃分成不同的子包，用戶在使用時(shí)按需進(jìn)行加載，所有分包大小限制提高到8M。

雖然小程序的大小限制已經(jīng)大大提升，但對(duì)于小程序開發(fā)者而言，仍然捉襟見肘。隨便幾個(gè)圖片資源、js庫就可能導(dǎo)致小程序超重，尤其對(duì)于人工智能小程序而言，更是如此?，F(xiàn)在的深度學(xué)習(xí)模型，動(dòng)輒幾十M，多則一兩百M(fèi)。這個(gè)時(shí)候開發(fā)人員就需要進(jìn)行取舍，選擇那些模型規(guī)模小，但精度不那么高的模型。比如圖片分類，我們就不要選擇Inception V3或ResNet之類的超大規(guī)模模型，而是選擇針對(duì)移動(dòng)設(shè)備優(yōu)化的MobileNet，也能取得不錯(cuò)的效果。

不過即使是MobileNet，其模型大小也有好幾M，對(duì)于精簡(jiǎn)小程序大小仍是一個(gè)很大的負(fù)擔(dān)。一種解決方案是從網(wǎng)絡(luò)加載模型，不增加小程序的體積，但這并不是一個(gè)完美的解決方案，畢竟每次推導(dǎo)都需要從網(wǎng)絡(luò)下載模型，會(huì)有一定的網(wǎng)絡(luò)延遲。在前端開發(fā)中，為了保持系統(tǒng)的流暢，通常會(huì)采用一些緩存技巧來避免每次從網(wǎng)絡(luò)加載圖片、JS等文件。那能否將模型也作為資源緩存起來呢？

Google團(tuán)隊(duì)顯然也意識(shí)到了這種需求，先是在TensorFlow.js中增加了對(duì)tfjs模型緩存的支持。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緩存。

模型緩存利用了微信小程序的storage接口，需要注意微信小程序?qū)torage的限制：同一個(gè)微信用戶，同一個(gè)小程序 storage 上限為 10MB。storage 以用戶維度隔離，同一臺(tái)設(shè)備上，A 用戶無法讀取到 B 用戶的數(shù)據(jù)；不同小程序之間也無法互相讀寫數(shù)據(jù)。所以我們只能選用小于10M的模型。

啟用模型緩存也非常簡(jiǎn)單，步驟如下：

修改app.json文件，將tfjsPlugin的版本修改為0.0.8.

"plugins": {
 "tfjsPlugin": {
  "version": "0.0.8",
  "provider": "wx6afed118d9e81df9"
 }
}

在app.js中提供localStorageHandler函數(shù).

var fetchWechat = require('fetch-wechat');
var tf = require('@tensorflow/tfjs-core');
var plugin = requirePlugin('tfjsPlugin');
//app.js
App({
 // expose localStorage handler
 globalData: {localStorageIO: plugin.localStorageIO},
 ...
});

在模型加載時(shí)加入localStorageHandler邏輯。

const LOCAL_STORAGE_KEY = 'mobilenet_model';
export class MobileNet {
 private model: tfc.GraphModel;
 constructor() { }
 
 
 async load() {
 
 
  const localStorageHandler = getApp().globalData.localStorageIO(LOCAL_STORAGE_KEY);
  try {
   this.model = await tfc.loadGraphModel(localStorageHandler);
  } catch (e) {
   this.model =
    await tfc.loadGraphModel(MODEL_URL);
   this.model.save(localStorageHandler);
  }
 }

和瀏覽器緩存機(jī)制有點(diǎn)不同的是，只有在代碼包被清理的時(shí)候本地緩存才會(huì)被清理。如果需要處理緩存，可以通過 wx.setStorage/wx.setStorageSync、wx.getStorage/wx.getStorageSync、wx.clearStorage/wx.clearStorageSync，wx.removeStorage/wx.removeStorageSync 對(duì)本地緩存進(jìn)行讀寫和清理。

以上就是TensorFlow.js 微信小程序插件開始支持模型緩存的方法的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow小程序支持模型緩存請(qǐng)關(guān)注腳本之家其它相關(guān)文章！