JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 4. Распознавание изображений и звуковых сигналов
167
model.summary();
return model;
}
Вот текстовая сводка топологии модели, описанной в листинге 4.3:
_________________________________________________________________
Layer (type) Output shape Param #
=================================================================
flatten_Flatten1 (Flatten) [null,784] 0
_________________________________________________________________
dense_Dense1 (Dense) [null,42] 32970
_________________________________________________________________
dense_Dense2 (Dense) [null,10] 430
=================================================================
Total params: 33400
Trainable params: 33400
Non-trainable params: 0
_________________________________________________________________
При тех же параметрах несверточная модель демонстрирует результаты обу­
чения, приведенные на рис. 4.9. После десяти эпох обучения при оценке получаем 
итоговую безошибочность около 97 %. Может показаться, что разница 2 % совсем 
незначительна, но с точки зрения частоты появления ошибок несверточная модель 
оказывается в три раза хуже сверточной. В качестве небольшого упражнения попро­
буйте увеличить размер несверточной модели, увеличив значение параметра 
units
скрытого (первого) плотного слоя в функции 
createDenseModel()
. Как вы увидите, 
даже при большем размере модель с одними плотными слоями не может сравниться 
в безошибочности со сверточной сетью. Таким образом, благодаря единству пара­
метров и локальности визуальных признаков сверточные сети достигают намного 
большей безошибочности в задачах машинного зрения при том же или даже мень­
шем числе параметров, чем несверточные нейронные сети.
Рис. 4.9.
То же самое, что и на рис. 4.8, но при использовании несверточной модели для задачи 
MNIST, созданной функцией createDenseModel() из листинга 4.3

---

168