JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
Как вы можете видеть из предыдущего описания, одно из ключевых требований 
алгоритма kNN — представление всех входных примеров данных в виде векторов. 
Полученные из усеченной MobileNet вложения и им подобные отлично подходят для 
таких векторных представлений по двум причинам. Во­первых, их размерность обычно 
ниже, чем у исходных входных данных, а потому для вычисления расстояний требуется 
меньше вычислений и места для хранения. Во­вторых, вложения обычно захватывают 
самые важные признаки входных данных (например, существенные геометрические 
признаки на изображениях; см. рис. 4.5), игнорируя менее важные (яркость и размер), 
благодаря обучению на большом наборе данных для классификации. В некоторых 
случаях с помощью вложений можно получить векторные представления объектов, 
изначально не представленных в числовом виде (например, с помощью вложений 
слов, см. главу 9).
В отличие от подхода нейронных сетей, метод kNN не требует обучения. При неболь­
шом числе эталонных примеров данных и небольшой размерности входного сигнала 
метод kNN с вычислительной точки зрения эффективнее обучения нейронной сети 
и выполнения с ее помощью вывода.
Впрочем, вывод с использованием kNN плохо масштабируется при росте объемов 
данных. В частности, при 
N
эталонных примерах данных классификатору kNN для 
предсказания класса каждого входного сигнала необходимо вычислить 
N
расстояний
1
. 
Количество необходимых вычислений при больших 
N
становится неподъемным. И на­
против, объемы обучающих данных не влияют на вывод с помощью нейронной сети. 
По завершении обучения сети уже неважно, сколько примеров данных участвовало 
в работе. Объемы вычислений, требуемых для прямого прохода, зависят только от 
топологии сети.
Если вы хотели бы попробовать kNN для своих приложений, посмотрите на надстройку 
для TensorFlow.js — библиотеку kNN c WebGL­ускорением: 
http://mng.bz/2Jp8
.
5.1.3. Извлекаем максимум пользы из переноса 
обучения благодаря тонкой настройке: пример 
обработки аудиоданных
В предыдущих разделах в примерах переноса обучения речь шла об обработке ви­
зуальных данных. В этом же примере мы продемонстрируем перенос обучения для 
аудиоданных, представленных в виде изображений спектрограмм. Как вы помните, 
в разделе 4.4 мы описывали сверточную сеть для распознавания речевых команд (от­
дельных, коротких слов). Созданное тогда средство распознавания speech­command 
могло распознавать лишь 18 различных слов (таких как 
one
, 
two
, 
up
и 
down
). А что, 
если нужно обучить его распознавать и другие слова? Например, пусть для вашего 
1 
Впрочем, исследователи прилагают немалые усилия для разработки алгоритмов при­
ближенной реализации kNN, быстрее работающих и лучше масштабирующихся: 
Yona G.
Fast Near­Duplicate Image Search Using Locality Sensitive Hashing // Towards Data Science, 
5 May 2018. http://mng.bz/1wm1.

---