JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 6. Работа с данными
253
содержит признаки для батча примеров данных и аналогично аргументу 
xs
метода 
model.fit()
, но объект 
Dataset
выдает элементы по одному батчу за раз, а не весь 
массив сразу. Второе обязательное свойство называется 
ys
и содержит соответ­
ствующий тензор целевых признаков
1
. По сравнению с методом 
model.fit()
, метод 
model.fitDataset()
обладает несколькими преимуществами. Прежде всего, не нужно 
писать код для общей организации скачивания частей набора данных — TensorFlow.
js берет эту задачу на себя и решает ее эффективным потоковым образом, с полу­
чением данных по мере необходимости. Встроенные в объект 
Dataset
кэширующие 
структуры предоставляют возможность упреждающей выборки данных, которые 
могут понадобиться, экономя таким образом вычислительные ресурсы. Возможно­
сти этого вызова API шире и в смысле обучения наборов данных намного большего 
размера, чем помещается в памяти GPU. Фактически размер набора данных для об­
учения модели ограничивается теперь лишь имеющимся у нас временем — обучение 
продолжается до тех пор, пока доступны новые примеры данных. Это поведение 
иллюстрируется примером data­generator из репозитория tfjs­examples.
В данном примере мы учим модель оценивать вероятность выигрыша в простой 
азартной игре. Как обычно, для извлечения и запуска примера можно использовать 
следующие команды:
git clone https://github.com/tensorflow/tfjs-examples.git
cd tfjs-examples/data-generator
yarn
yarn watch
Вышеупомянутая игра представляет собой упрощенную версию карточной игры, 
в чем­то напоминающую покер. Каждый из игроков получает по 
N
карт, где 
N
— по­
ложительное целое число, каждой из которых соответствует случайное целое число 
от 1 до 13. Правила игры следующие.
z
z
Выигрывает игрок, у которого самая большая группа карт одного достоинства. 
Например, если у игрока 1 есть три карты одного достоинства, а у игрока 2 — 
только две, выигрывает игрок 1.
z
z
Если у обоих игроков максимальные группы карт одного достоинства одного раз­
мера, то выигрывает игрок с группой карт максимального достоинства. Например, 
пара пятерок бьет пару четверок.
z
z
Если ни у одного игрока нет даже двух карт одного достоинства, выигрывает 
игрок с одиночной картой максимального достоинства.
z
z
При равенстве победитель выбирается случайным образом, 50/50.
Как легко убедиться, шансы на выигрыш у обоих игроков одинаковы. Так что, 
если о картах ничего не известно, угадать, выиграем мы или нет, можно лишь 
в половине случаев. Мы создадим и обучим модель, которая по картам игрока 1 будет 
предсказывать, выиграет ли он. На рис. 6.1 видно, что нам удалось добиться без­
1 
В случае моделей с несколькими входными сигналами вместо отдельных тензоров при­
знаков здесь ожидается массив тензоров, аналогично случаю моделей, ориентированных 
на подгонку под несколько целей.

---

254