JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Упражнения
1. В задаче предсказания температуры мы обнаружили, что линейный регрессор 
существенно недообучается на данных и выдает плохие предсказания как на 
обучающем, так и на проверочном наборе данных. Может ли добавление L2­
регуляризации улучшить степень безошибочности подобной недообученной 
модели? Проверьте сами, это несложно, для чего модифицируйте функцию 
buildLinearRegressionModel()
в файле 
jena-weather/models.js
.
2. При предсказании завтрашней температуры в примере Jena­weather для гене­
рации входных признаков использовались данные за десять предыдущих дней. 
Возникает естественный вопрос: что, если использовать более длительный про­
межуток времени? Повысится ли степень безошибочности предсказаний при 
включении большего количества данных? Узнать это вы можете, модифицировав 
const
lookBack
в файле 
jena-weather/index.js
и запустив обучение в браузере 
(например, воспользовавшись MLP с L2­регуляризацией). Конечно, более дли­
тельный интервал времени приведет к увеличению размера входных признаков 
и удлинению обучения. Так что обратная сторона этого вопроса: можно ли ис­
пользовать более короткий промежуток времени без существенного ущерба для 
безошибочности предсказаний? Попробуйте и это.
Резюме
z
z
Модуль tfjs­vis может помочь с визуализацией процесса обучения модели МО 
в браузере. Если точнее, мы показали, как использовать tfjs­vis:
• для визуализации топологии моделей TensorFlow.js;
• построения графиков кривых потерь и метрик во время обучения;
• вывода распределения значений весовых коэффициентов после обучения.
z
z
Мы продемонстрировали конкретные примеры этих технологических процессов 
визуализации.
z
z
Недообучение и переобучение — основополагающие виды поведения моделей 
машинного обучения, требующие мониторинга и должного понимания в каждой 
задаче машинного обучения. Обнаружить их можно путем сравнения кривых 
потерь на обучающем и проверочном наборах данных во время обучения. С по­
мощью встроенного метода 
tfvis.show.fitCallbacks()
можно легко визуализи­
ровать эти кривые в браузере.
z
z
Универсальный технологический процесс машинного обучения — список харак­
терных шагов и рекомендуемых практик различных типов задач обучения с учи­
телем. Он простирается от выяснения сущности задачи и требований к данным 
до поиска модели точно на грани между недообучением и переобучением.

---