JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
ошибочности примерно в 75 % для этой задачи после обучения модели на ~250 000 
примеров данных (50 эпох 
×
50 батчей в эпохе 
×
100 примеров данных в батче). 
Моделирование проводилось из расчета пяти карт на руки, но подобная точность 
достижима и при другом количестве. Для более высокой степени безошибочности 
необходимы б
ó
льшие батчи и большее число эпох, но даже 75 % дают нашему ин­
теллектуальному игроку ощутимое преимущество над «наивным» игроком в оценке 
вероятности победы.
Рис. 6.1.
UI примера data-generator
Рассмотрим подробнее скриншот. Описание правил игры и кнопка запуска моде­
лирования находятся слева вверху. Ниже — сгенерированные признаки и конвейер 
обработки данных. Нажатие кнопки 
Dataset-to-Array
запускает цепочку операций над 
объектом 
Dataset
: моделирование игры, генерацию признаков, организацию при­
меров данных в батчи, группировку 
N
батчей вместе, преобразование их в массив 
и вывод этого массива в UI. Справа вверху — все, что нужно для обучения модели 
с помощью этого конвейера обработки данных. При нажатии пользователем кнопки 
Train-Model-Using-Fit-Dataset
начинает выполняться операция 
model.fitDataset()
, из­
влекая примеры данных из конвейера. Под этой кнопкой выводятся кривые потерь 
и безошибочности. Справа внизу пользователь может ввести значения карт на руках 
игрока 1 и нажать кнопку для получения от модели соответствующих предсказаний. 
Чем больше предсказанное значение, тем более модель уверена в победе игрока 
с такими картами. Выборка значений производится с возвращением в колоду, так 
что вполне возможны пять одинаковых карт.

---

Глава 6. Работа с данными
255
Для выполнения этой операции с помощью 
model.fit()
нам бы пришлось соз­
дать и хранить где­то тензор, содержащий 250 000 примеров данных, для одного 
только представления входных признаков. Данные в этом примере относительно 
невелики — всего несколько десятков значений с плавающей точкой на пример
1
— но 
для нашей задачи обнаружения объектов из предыдущей главы 250 000 примеров 
данных потребовали бы около 150 Гбайт памяти GPU
2
— намного больше доступного 
в 2019 году для большинства браузеров объема.
Рассмотрим наиболее интересные части кода. Во­первых, посмотрим на гене­
рацию объекта 
Dataset
. Код в листинге 6.7 (упрощенный вариант приведенного 
в файле 
tfjs-examples/data-generator/index.js
) аналогичен генератору объекта 
Dataset
для бросания костей из листинга 6.3, но немного сложнее, поскольку мы 
сохраняем больше информации.
Листинг 6.7.
Создание объекта tf.data.Dataset для карточной игры
1 
До 2019 года в JavaScript и целые, и дробные числа представлялись c помощью примитивного 
типа Number. Number, по сути, был числом с плавающей запятой. В 2019 году был предложен 
тип данных BigInt, который предназначен только для целых чисел. Возможно, в момент на­
писания книги авторы еще не смогли перенять это новшество. — 
Примеч. науч. ред.
2 
числоПримеров 
×
ширинаИзображения 
×
высотаИзображения 
×
глубинаЦвета 
× 
раз­
мерInt32 = 250 000 
×
224 
×
224 
×
3 
×
4 байт.

---

256