JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
переименования. Данные могут храниться в отсортированном виде, а значит, их 
нужно перетасовать случайным образом, прежде чем использовать для обучения 
или оценки качества модели. Набор данных может требовать разбиения на непере­
секающиеся множества для обучения и контроля. Предварительная обработка 
практически неизбежна. Если вам попался чистый и готовый к использованию 
набор данных — скорее всего, кто­то уже очистил и предварительно обработал 
их вместо вас!
tf.data.Dataset
предоставляет предназначенные для подобных операций методы 
(табл. 6.3), которые можно организовывать цепочкой. Все они возвращают новый 
объект 
Dataset
, но не думайте, что все элементы набора данных копируются или при 
каждом вызове метода все элементы обходятся в цикле! API 
tf.data.Dataset
просто 
загружает и преобразует элементы отложенным образом. Объект 
Dataset
, создан­
ный соединением цепочкой нескольких из этих методов, можно считать маленькой 
программой, выполняемой только при запросе элементов на конце цепочки. Только 
в этот момент экземпляр 
Dataset
проходит обратно по цепочке операций, возможно, 
прямо до запроса данных из удаленного источника данных.
Таблица 6.3.
Методы объекта tf.data.Dataset, допускающие организацию цепочкой
Метод экземпляра 
объекта tf.data.
Dataset
Что делает
Пример
.filter(predicate)
Возвращает объект 
Dataset, включающий 
только те элементы, 
для которых результат 
вычисления предиката 
равен true
myDataset.filter(x => x < 10);
Возвращает объект Dataset, содержащий 
лишь те значения из myDataset, которые 
меньше 10
.map(transform)
Применяет указанную 
функцию к каждому 
из элементов объекта 
Dataset и возвращает 
полученный в результате 
новый объект Dataset
myDataset.map(x => x * x);
Возвращает объект Dataset, состоящий 
из квадратов значений исходного объекта 
Dataset
.mapAsync(
asyncTransform)
Аналогичен методу map, 
но передаваемая в него 
функция должна быть 
асинхронной
myDataset.mapAsync(fetchAsync);
Если fetchAsync — асинхронная функция, 
выдающая извлеченные по указанному 
URL значения, то этот вызов вернет 
новый объект Dataset, содержащий 
соответствующие значения
.batch(
batchSize,
smallLastBatch?)
Объединяет 
последовательные 
диапазоны элементов 
в цельные группы 
и преобразует элементы 
простых типов данных 
в тензоры
const a = tf.data.array(
[1, 2, 3, 4, 5, 6, 7, 8])
.batch(4);
await a.forEach(e => e.print());
// Выводит:
// Tensor [1, 2, 3, 4]
// Tensor [5, 6, 7, 8]

---