JavaScript для глубокого обучения 2021 TensorFlow js Ббк

324
Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Листинг 8.2.
Создание модели линейной регрессии для задачи прогноза температуры
Рис. 8.2.
Схлопывание двумерного тензора признаков формы [timeSteps, numFeatures] 
в одномерный тензор формы [timeSteps 
×
numFeatures], производимое как линейным регрессором 
в листинге 8.2, так и моделью MLP в листинге 8.3
После создания модели мы компилируем ее для обучения с помощью команды:
model.compile({loss: 'meanAbsoluteError', optimizer: 'rmsprop'});
Здесь используется функция потерь 
meanAbsoluteError
, поскольку мы прогнози­
руем непрерывную величину (нормализованную температуру). В отличие от некото­
рых из предыдущих задач никакой отдельной метрики не задано, поскольку функция 
потерь MAE сама является понятной человеку метрикой. Впрочем, учтите, что мы 
предсказываем 
нормализованную
температуру, так что MAE для преобразования 
в абсолютную ошибку предсказания необходимо умножить на среднеквадратичное 
отклонение столбца температуры (8,476 градуса Цельсия). Например, при MAE 0,5 
ошибка предсказания будет равна 8,476 
×
0,5 = 4,238 градуса Цельсия.
В UI демонстрации в списке 
Model Type
(Тип модели) выберите 
Linear Regression
(Линейная регрессия) и нажмите 
Train Model
(Обучить модель) для запуска процесса 
обучения линейного регрессора. Сразу после начала обучения вы увидите таблицу 
со сводкой топологии модели во всплывающей в правой части страницы «карточке» 
(рис. 8.3). Таблица сводных показателей модели чем­то напоминает выводимый 
model.summary()
текст, но визуализируемый графически в HTML. Код создания 
этой таблицы выглядит следующим образом:
const surface = tfvis.visor().surface({name: 'Model Summary', tab});
tfvis.show.modelSummary(surface, model);

---