JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 5. Перенос обучения: переиспользование предобученных нейронных сетей
203
программирования). Она принимает один или несколько входных аргументов. 
У каждого аргумента есть тип, определяющий, какие переменные через него можно 
передать. Однако 
сам
этот аргумент не содержит никаких конкретных значений, он 
просто заполнитель. Символический тензор аналогичен аргументу функции: он про­
сто задает, тензоры какого вида (сочетания формы
1
и dtype) могут использоваться 
в этом слоте. У функций в статически типизированных языках программирования 
есть и возвращаемый тип данных, который можно сравнить с выходным символиче­
ским тензором объекта модели или слоя. Он представляет собой своего рода шаблон 
формы и dtype фактических значений выходного тензора объекта, принадлежащего 
модели или слою.
Два важных атрибута объекта модели в TensorFlow.js — ее входные и выходные 
сигналы. Каждый из них представляет собой массив символических тензоров. Длина 
обоих массивов у модели с одним входным и одним выходным сигналом равна 1. 
Аналогичным образом, у объекта слоя два атрибута: входные и выходные сигналы, 
оба — символические тензоры. Символические тензоры можно использовать при 
создании новой модели. Это новый для нас способ создания моделей в TensorFlow.js, 
отличающийся от описанного ранее подхода, а именно создания последовательных 
моделей с помощью метода 
tf.sequential()
и дальнейших вызовов метода 
add()
. 
В этом новом для нас подходе используется функция 
tf.model()
, принимающая на 
входе объект конфигурации, включающий два обязательных поля: 
inputs
и 
outputs
. 
Поле 
inputs
, как и 
outputs
, должно представлять собой символический тензор (либо 
массив символических тензоров). Следовательно, можно получить символические 
тензоры из исходной модели MobileNet и передать их в метод 
tf.model()
. Результа­
том вызова этого метода будет новая модель, частично состоящая из старой модели 
MobileNet.
Этот процесс схематически изображен на рис. 5.7 (учтите, что на рисунке число 
слоев уменьшено по сравнению с настоящей моделью MobileNet ради упрощения 
схемы). Важно отдавать себе отчет, что получаемые из исходной модели и переда­
ваемые методу 
tf.model()
символические тензоры — 
не
изолированные объекты. 
Они содержат информацию о слоях, к которым относятся, и о том, как эти слои со­
единяются друг с другом. Для тех из наших читателей, кто знаком с теорией графов 
в структурах данных, исходная модель представляет собой граф из символических 
тензоров, где слои играют роль соединяющих их ребер. Задавая входные и выход­
ные сигналы новой модели в виде символических тензоров для исходной модели, 
мы выделяем подграф исходного графа MobileNet. Этот подграф, становясь новой 
моделью, содержит первые несколько (а именно, первые 87) слоев MobileNet, а по­
следние шесть слоев отбрасываются. Последние несколько слоев глубокой сверточ­
ной сети иногда называют ее 
верхушкой
(head). А вызовом 
tf.model()
мы произво­
дим так называемое 
усечение
(truncating) модели. В усеченной MobileNet остаются 
слои выделения признаков, а верхушка отбрасывается. Почему верхушка содержит 
1 
Разница между формой обычного и формой символического тензора в том, что у первого 
всегда полностью заданы измерения (например, [8, 32, 20]), в то время как измерения вто­
рого определены не полностью (например, [null, null, 20]). Вы уже могли видеть подобное 
в столбце Output shape (Форма выходного сигнала) сводок моделей.

---

204