JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Разберем рис. 8.1. Для генерации тензора признаков примера данных произ­
водится выборка из CSV­файла через каждые 
step
строк (для примера возьмем 
step
= 6), всего 
timeSteps
строк (для примера 
timeSteps
= 240). В результате получа­
ется тензор формы 
[timeSteps,
numFeatures]
, где 
numFeatures
(по умолчанию — 14) 
представляет собой количество столбцов признаков в CSV­файле. Для генерации 
целевого тензора производим выборку значения температуры (
T
), начиная с шага, 
соответствующего строке 
delay
(для примера — 144), после последней строки, по­
павшей в тензор признаков. Прочие примеры данных можно сгенерировать, начав 
с другой строки CSV­файла, но они формируются по тому же правилу. В результате 
получаем следующую задачу предсказания температуры: по заданным 14 метеоро­
логическим измерениям за указанный период времени (например, десять дней), 
предшествующий текущему моменту, предсказать температуру на момент, отстоя­
щий от текущего на 
delay
(например, 24 часа). Показанные на этой схеме действия 
производит код функции 
getNextBatchFunction()
из файла 
jena-weather/data.js
.
Для генерации признаков обучающего примера мы выбираем набор строк за про­
межуток времени десять дней. Вместо того чтобы использовать все строки данных 
за эти десять дней, мы выбираем только каждую шестую строку. Почему? По двум 
причинам. Во­первых, при выборке всех строк получилось бы в шесть раз больше 
данных, что означает модель большего размера и более длительное обучение. Во­
вторых, избыточность данных при часовой шкале времени довольно велика (ат­
мосферное давление шесть часов назад обычно мало отличалось от давления шесть 
часов и десять минут назад). Благодаря отбрасыванию пяти шестых частей данных 
мы получаем более эффективную модель меньшего размера, практически не теряя 
ее способности к предсказанию. Выбранные строки объединяются в двумерный тен­
зор признаков формы 
[timeSteps,
numFeatures]
для нашего обучающего примера. 
По умолчанию значение 
timeSteps
равно 240, что соответствует 240 моментам вы­
борки, равномерно распределенным по промежутку времени десять дней. Значение 
numFeatures
равно 14, что соответствует показаниям 14 метеорологических приборов 
в CSV наборе данных.
Получить целевой тензор для обучающего примера проще: необходимо лишь 
перейти вперед на определенный промежуток времени (
delay
) от последней строки, 
включаемой в тензор признаков, и взять значение из столбца температуры. На рис. 8.1 
показана генерация только одного обучающего примера. Для генерации нескольких 
примеров данных необходимо просто начинать с различных строк CSV­файла.
Вы могли заметить нечто необычное в тензоре признаков для нашей задачи пред­
сказания температуры (см. рис. 8.1): во всех предыдущих задачах тензор признаков 
отдельного примера данных был одномерным, в результате чего при организации 
нескольких примеров данных в батч получался двумерный тензор. Однако в дан­
ной задаче тензор признаков отдельного примера уже двумерный, а значит, при 
объединении нескольких примеров в батч получится трехмерный тензор (формы 
[batchSize,
timeSteps,
numFeatures]
). Тонкое наблюдение! Возникает такая дву­
мерная форма тензора признаков из­за того, что источник признаков — 
последова-
тельность
событий. В частности, метеорологические измерения за 240 моментов 
времени. Этим данная задача отличается от всех прочих встречавшихся вам до 
сих пор в книге задач, в которых входные признаки для конкретного примера не 

---