JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Возможно, вы обратили внимание, что в диаграммах на рис. 7.6 отображаются 
нормализованные, а не абсолютные значения температуры и атмосферного дав­
ления, поскольку при создании этих графиков был выбран флажок 
Normalize data
. 
Мы вкратце уже говорили про нормализацию, когда обсуждали модель Boston­
housing в главе 2. Там нормализация состояла из вычитания среднего значения 
и деления полученного результата на среднеквадратичное отклонение, а делалось это 
для того, чтобы повысить результативность обучения модели. Здесь нормализация 
состоит точно в том же, однако служит не только для повышения безошибочности 
модели машинного обучения (что мы обсудим в следующем разделе), но и для ви­
зуализации. Почему так? Если вы снимете флажок 
Normalize data
при отображении 
на диаграмме температуры и атмосферного давления, то сразу же поймете почему. 
Диапазон измерений температуры — от –10 до 40 градусов (по шкале Цельсия), 
а атмосферного давления — от 980 до 1000. Построение в одной системе координат 
без нормализации двух величин с такими различиями диапазонов значений приво­
дит к расширению оси 
Y
до очень большого диапазона, в результате чего обе кривые 
выглядят практически как прямые линии. Нормализация позволяет избежать этой 
проблемы посредством приведения всех измерений к распределению с нулевым 
математическим ожиданием и единичным среднеквадратичным отклонением.
На рис. 7.7 приведен пример построения графика зависимости двух измерений 
метеорологических показателей друг от друга в виде диаграммы рассеяния — режим, 
который можно активизировать с помощью кнопки­флажка 
Plot against each other
, необ­
ходимо только убедиться, что ни в одном из списков 
Data series
не выбрано 
None
. Код соз­
дания подобных диаграмм рассеяния аналогичен функции 
makeTimeSerieChart()
в листинге 7.7, а потому мы его опустим ради краткости. Можете изучить его в том же 
файле (
jena-weather/index.js
), если вам интересны подробности.
Этот пример диаграммы рассеяния показывает зависимость между нормали­
зованной плотностью воздуха (по оси 
Y
) и нормализованной температурой (по 
оси 
X
). Сразу заметна довольно сильная корреляция между этими двумя величина­
ми: плотность воздуха падает с ростом температуры. В этом примере промежуток 
времени равен десяти дням, но вы можете убедиться, что эта тенденция более или 
менее сохраняется и при других интервалах времени. Визуализация подобной кор­
реляции величин на диаграммах рассеяния не доставляет трудностей, но по данным 
в текстовом формате обнаружить ее намного сложнее — еще один пример пользы 
визуализации данных.
7.2. Визуализация моделей после обучения
В предыдущих разделах мы показали, чем может быть полезна визуализация дан­
ных. В этом разделе рассмотрим, как визуализировать различные аспекты моделей 
после их обучения, чтобы почерпнуть из них полезную информацию. Для этого 
сосредоточим внимание преимущественно на сверточных сетях с изображениями 
в качестве входных сигналов, поскольку они широко распространены и дают инте­
ресные результаты визуализации.

---