JavaScript для глубокого обучения 2021 TensorFlow js Ббк



Download 30,75 Mb.
Pdf ko'rish
bet164/457
Sana27.03.2022
Hajmi30,75 Mb.
#513488
1   ...   160   161   162   163   164   165   166   167   ...   457
Bog'liq
Цэй Ш., Байлесчи С., и др. - JаvaScript для глубокого обучения (Библиотека программиста) - 2021


Часть II • Введение в TensorFlow.js
естественного языка существуют вложения слов (векторные представления всех 
часто встречающихся слов языка), обученные на огромных корпусах текста из мил­
лиардов слов. Эти вложения очень удобны для задач понимания языка, в которых 
доступны лишь намного меньшие текстовые наборы данных. А теперь наконец 
взглянем на пример того, как перенос обучения работает на практике.
5.1.1. Перенос обучения при совместимых формах 
выходных сигналов: блокировка слоев
Начнем с относительно простого примера: обучим сверточную сеть на пяти первых 
цифрах набора данных MNIST (от 0 до 4). Затем воспользуемся полученной моде­
лью для распознавания оставшихся пяти цифр (от 5 до 9), которые модель не видела 
во время первоначального обучения. Несмотря на некоторую искусственность, этот 
пример хорошо иллюстрирует основной технологический процесс переноса об­
учения. Получить и запустить код примера можно с помощью следующих команд:
git clone https://github.com/tensorflow/tfjs-examples.git
cd tfjs-examples/mnist-transfer-cnn
yarn && yarn watch
На открывшейся демостранице запустите процесс обучения, нажав кнопку 
Retrain

Вы увидите, как обучение достигает безошибочности 96 % на новом наборе из пяти 
цифр (от 5 до 9), что на относительно мощном ноутбуке занимает около 30 секунд — 
это намного быстрее, чем вариант без переноса обучения (а именно, обучение новой 
модели с нуля). Взглянем, как это реализовано, шаг за шагом.
Чтобы не отвлекать ваше внимание от ключевых этапов технологического про­
цесса, в примере мы загружаем предобученную базовую модель с HTTP­сервера, вме­
сто того чтобы обучать ее с нуля. Как вы помните из подраздела 4.3.3, TensorFlow.js 
предоставляет метод 
tf.loadLayersModel()
для загрузки предобученных моделей. 
Вызываем этот метод в файле 
loader.js
:
const model = await tf.loadLayersModel(url);
model.summary();
Сводка топологии модели выглядит так, как показано на рис. 5.2. Как видите, 
модель состоит из 12 слоев
1
. Все ее 600 000 или около того весовых параметров — 
обучаемые, как и во встречавшихся нам ранее моделях TensorFlow.js. Обратите 

Возможно, вы еще не сталкивались со слоями активации, присутствующими в этой модели. 
Слои активации — это простые слои, всего лишь применяющие к входному сигналу функ­
цию активации (например, ReLU или многомерную логистическую функцию активации). 
Пусть дан плотный слой с функцией активации по умолчанию (линейной); присоединение 
к нему слоя активации эквивалентно использованию плотного слоя с соответствующей 
функцией активации (не той, что по умолчанию). Именно это мы и делали в примерах из 
главы 4, но на практике встречаются оба варианта. В TensorFlow.js подобную топологию 
можно создать с помощью следующего кода: const model = tf.sequential(); model.add(tf.layers.
dense({untis: 5, inputShape})); model.add(tf.layers.activation({activation: ‘relu’}).


Download 30,75 Mb.

Do'stlaringiz bilan baham:
1   ...   160   161   162   163   164   165   166   167   ...   457




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish