JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 4. Распознавание изображений и звуковых сигналов
165
ных обновлений выполняется за одну эпоху. Так что при использовании батчей 
большого размера не забудьте соответственно увеличить и количество эпох, 
чтобы не снизить ненароком число обновлений весов за время обучения. Таким 
образом, должен соблюдаться определенный баланс. В данном случае размер 
батча относительно невелик — 64, поскольку нам хотелось бы, чтобы этот пример 
работал на разном аппаратном обеспечении. Как и другие параметры, его можно 
поменять в исходном коде и обновить страницу, чтобы поэкспериментировать 
с различными размерами батчей.
z
z
Используемый в вызове 
model.fit()
параметр 
validationSplit
. Он позволяет 
нам оставить последние 15 % аргументов 
trainData.xs
и 
trainData.labels
для 
проверки в ходе обучения. Как вы уже знаете из предыдущих, не связанных 
с изображениями моделей, очень важно отслеживать потери и безошибоч­
ность на проверочном наборе данных. Это позволяет понять, не 
переобучена
ли 
модель, и, если да, уловить момент, когда она начинает переобучаться. Что 
такое переобучение (overfitting)? Это такое состояние модели, в котором она 
слишком сильно обращает внимание на нюансы поступающих в нее во время 
обучения данных. Настолько сильно, что это отрицательно сказывается на без­
ошибочности ее предсказаний на новых, не виденных ею данных. Далее в этой 
книге мы посвятим целую главу (см. главу 8) обнаружению переобучения 
и борьбе с ним.
model.fit()
— асинхронная функция, так что нам приходится использовать 
ключевое слово 
await
, если последующие действия зависят от того, завершено ли 
выполнение. Здесь как раз такая ситуация, ведь нам нужно оценить работу модели 
на контрольном наборе данных после обучения. Эта оценка выполняется с помо­
щью синхронного метода 
model.evaluate()
. На вход в 
model.evaluate()
подается 
testData
с таким же форматом, как вышеупомянутый 
trainData
, но с меньшим ко­
личеством примеров данных. Модель не видела эти примеры во время вызова 
fit()
, 
а значит, контрольный набор данных не влияет на обучение, а результаты оценки 
объективно отражают качество модели.
Мы обучаем модель с помощью этого кода в течение десяти эпох (количество 
указывается в поле для ввода), получая кривые потерь и безошибочности (рис. 4.8). 
Как демонстрируют графики, функция потерь сходится ближе к концу числа эпох 
обучения, как и безошибочность. Значения потерь и безошибочности на прове­
рочном наборе данных не слишком отклоняются от соответствующих значений 
при обучении, а значит, серьезного переобучения в данном случае не наблюдается. 
Последний вызов 
model.evaluate()
возвращает безошибочность, близкую к 99 % 
(значения, которые получите вы, могут слегка отличаться от запуска к запуску из­за 
случайности начальных значений весов и неявной «перетасовки» примеров данных 
случайным образом во время обучения).
Насколько хорошим результатом будет 99 %? С практической точки зрения это 
вполне сносный результат, но явно не идеальный. При большем числе сверточных 
слоев можно достичь безошибочности 99,5 %, в то же время повысив число слоев 
субдискретизации, а также количество фильтров в модели. Впрочем, обучение 

---

166