JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 5. Перенос обучения: переиспользование предобученных нейронных сетей
233
• В настоящих моделях обнаружения объектов в качестве функции потерь исполь­
зуется не отдельная метрика 
meanSquaredError
, а взвешенная сумма двух типов 
функций потерь: 1) многомерной логистической функции перекрестной энтропии 
для показателей вероятности, предсказываемых для классов объектов и 2) функ­
ции потерь для ограничивающих прямоугольников наподобие 
meanSquaredError
или 
meanAbsoluteError
. Относительные веса для двух типов значений потерь 
тщательно подбираются для выравнивания вкладов со стороны обоих источников 
погрешности.
• Настоящие модели обнаружения объектов генерируют для каждого входного 
изображения множество кандидатов на роль ограничивающих прямоугольников. 
Далее лишние ограничивающие прямоугольники отсекаются, так что в итоговом 
выходном сигнале остаются только те, что обладают максимальными показателями 
вероятностей классов объектов.
• В некоторых настоящих моделях обнаружения объектов используются априор­
ные знания о местоположении прямоугольников, ограничивающих объекты, — 
эмпирические предположения о возможном расположении ограничивающих 
прямоугольников в изображении, основанные на анализе большого числа марки­
рованных реальных изображений. Благодаря этим априорным знаниям обучение 
моделей ускоряется, поскольку начинается не с произвольных случайных зна­
чений (как в примере simple­object­detection), а с некоего разумного начального 
состояния.
Лишь небольшое количество настоящих моделей обнаружения объектов было пере­
несено на TensorFlow.js. Например, поэкспериментировать с одной из лучших вы 
можете, заглянув в каталог 
coco-ssd
репозитория tfjs­models. Чтобы увидеть ее в деле, 
выполните следующие команды:
git clone https://github.com/tensorflow/tfjs-models.git
cd tfjs-models/coco-ssd/demo
yarn && yarn watch
Чтобы узнать больше о настоящих, используемых на практике моделях обнаружения 
объектов, почитайте следующие посты блогов. Они касаются моделей SSD и YOLO 
соответственно, архитектуры и методики дополнительной обработки которых сильно 
различаются:
• Understanding SSD MultiBox — Real­Time Object Detection In Deep Learning (Eddie 
Forson): 
http://mng.bz/07dJ
;
• Real­time Object Detection with YOLO, YOLOv2 and now YOLOv3 (Jonathan Hui): 
http://mng.bz/KEqX
.
До сих пор мы работали с уже готовыми для исследований наборами данных 
машинного обучения — отформатированными, очищенными благодаря кропотли­
вой работе предыдущих исследователей и специалистов по машинному обучению. 
Очищенными до такой степени, что мы могли сосредоточить внимание на модели­
ровании и не волноваться о вводе и предварительной обработке данных, равно как 
и об их корректности. Это справедливо для наборов данных MNIST и аудиоданных 

---

234