JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
(в том смысле, что набор не помещается полностью в кэше оперативной памяти), 
придется обходиться меньшим.
Рисунок 6.4, созданный с помощью 
https://codepen.io/tfjs-book/pen/JxpMrj
, ил­
люстрирует перетасовку данных с использованием метода 
shuffle()
объекта 
tf.data.Dataset
в случае четырех различных размеров окон:
for (let windowSize of [10, 50, 250, 6000]) {
shuffledDataset = 
dataset.shuffle(windowSize)
;
myPlot(shuffledDataset, windowSize)
}
Как видим, структурная зависимость индекса и значения признака остаются оче­
видными даже для относительно большого размера окна. Только при размере окна 
6000 для невооруженного глаза представляется, что данные теперь можно считать 
IID. Так что, 6000 — как раз подходящий размер окна? Или между 250 и 6000 можно 
было найти другое подходящее значение? Или 6000 все равно недостаточно, чтобы 
охватить незаметные на этих иллюстрациях проблемы с распределением? Правиль­
ный подход: перетасовка всего набора данных с использованием 
windowSize
>=
числа 
примеров данных в наборе. В случае же тех наборов данных, где это невозможно 
из­за ограничений памяти, временных рамок или потенциальной неограниченности 
набора данных, вам придется на время стать исследователем данных и, исходя из 
распределения, определить подходящий размер окна.
Рис. 6.4.
Четыре графика зависимости долготы от индекса примера данных для четырех 
перетасованных наборов данных. Окна перетасовки у них отличаются: от 10 до 6000 примеров 
данных. Как видим, даже при размере окна, равном 250 примеров, остается сильная зависимость 
между индексом и значением признака. Крупных значений больше в начале. Только при размере 
окна, почти совпадающем с размером набора данных, практически восстанавливается 
IID-сущность данных

---