JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
кажется неоправданным. Например, такая схема нумерации подразумевает, что 
ирис щетинистый ближе к ирису разноцветному, чем к виргинскому, что вовсе 
не обязательно соответствует действительности. Нейронные сети работают с веще­
ственными числами и основаны на таких математических операциях, как умножение 
и сложение. Следовательно, они чувствительны к порядку чисел и их упорядочен­
ности. Если кодировать категорию одним числом, возникает дополнительная нели­
нейная связь, которую нейронной сети необходимо усвоить. И напротив, унитарно 
закодированные категории не подразумевают никакого неявного упорядочения, 
а потому не предъявляют подобных лишних требований к усвоению нейронной 
сетью информации.
В главе 9 вы узнаете, что унитарное кодирование применяется не только для 
выходных целевых признаков нейронных сетей, но и в тех случаях, когда на вход 
нейронных сетей поступают категориальные данные.
3.3.2. Многомерная логистическая 
функция активации
Теперь, когда мы разобрались с представлением входных признаков и выходных 
целей, можно взглянуть на код описания модели (из файла 
iris/index.js
).
Листинг 3.9.
Многослойная нейронная сеть для классификации ирисов
const model = tf.sequential();
model.add(tf.layers.dense(
{units: 10, activation: 'sigmoid', inputShape: [xTrain.shape[1]]}));
model.add(tf.layers.dense({units: 3, activation: 'softmax'}));
model.summary();
const optimizer = tf.train.adam(params.learningRate);
model.compile({
optimizer: optimizer,
loss: 'categoricalCrossentropy',
metrics: ['accuracy'],
});
Описанная в листинге 3.9 модель выдает следующие результаты:
_________________________________________________________________
Layer (type) Output shape Param #
=================================================================
dense_Dense1 (Dense) [null,10] 50
________________________________________________________________
dense_Dense2 (Dense) [null,3] 33
=================================================================
Total params: 83
Trainable params: 83
Non-trainable params:
________________________________________________________________

---