JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
математическую симметрию уравнения 9.1. При работе с последовательными 
данными симметрия 
нежелательна
, поскольку при этом визуализация игнорирует 
порядок элементов.
Рис. 9.1.
Внутренняя архитектура плотного слоя. Плотный слой выполняет умножение 
и сложение симметрично относительно входных данных, в отличие от слоя simpleRNN (рис. 9.2), 
где симметрия нарушается благодаря пошаговым вычислениям. Мы предполагаем, что входной 
сигнал состоит всего лишь из четырех элементов, и опускаем члены смещения ради простоты. 
Кроме того, здесь показаны операции только для одного выходного нейрона плотного слоя. 
Остальные нейроны показаны в виде стопки затемненных прямоугольников 
Существует простой способ показать, что подход на основе плотных слоев 
(многослойных перцептронов, даже с регуляризацией) — не слишком хорошее 
решение задачи предсказания температуры. Для этого нужно сравнить степень его 
безошибочности с аналогичным показателем подхода без машинного обучения, на 
основе одного здравого смысла.
Что такое подход на основе здравого смысла? Он состоит в предсказании зна­
чения температуры, равного последнему показанию температуры из входных при­
знаков. Проще говоря, считаем, что температура через 24 часа будет такой же, как 
сейчас! Этот подход интуитивно понятен, ведь из каждодневного опыта мы знаем: 
завтрашняя температура обычно близка к сегодняшней (точно в то же время дня, 
конечно). Это очень простой алгоритм, дающий неплохие результаты, лучшие, чем 
все прочие столь же простые алгоритмы (например, применение в качестве пред­
сказания температуры значения двухдневной давности).
Каталог 
jena-weather
репозитория tfjs­examples, который мы использовали 
в главе 8, содержит команду для оценки безошибочности подхода на основе здравого 
смысла:
git clone https://github.com/tensorflow/tfjs-examples.git
cd tfjs-examples/jena-weather
yarn
yarn train-rnn --modelType baseline

---