JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть I • Актуальность и основные понятия 
1.1.3. Нейронные сети и глубокое обучение
Нейронные сети представляют собой подобласть машинного обучения, в которой пре­
образование представления данных выполняется системой, чья архитектура в какой­
то мере отражает то, как соединяются нейроны в мозгу людей и животных. Как же 
нейроны соединяются друг с другом? У разных видов животных и в разных областях 
мозга по­разному. Но очень часто это происходит послойно. Многие части мозга мле­
копитающих организованы слоями, например кора головного мозга и кора мозжечка.
В общих чертах этот паттерн чем­то похож на общую организацию 
искусственных 
нейронных сетей
(в мире вычислительной техники, где практически нет риска пута­
ницы, они называются просто 
нейронными сетями
(neural networks)). В них данные 
обрабатываются в несколько отдельных этапов, названных 
слоями
(layers). Эти слои 
обычно размещаются друг поверх друга, причем соединены только непосредственно 
прилегающие друг к другу. На рис. 1.5 приведена простая (искусственная) нейрон­
ная сеть из четырех слоев. Входные данные (в данном случае изображение) посту­
пают в первый слой (см. рис. 1.5, 
слева
), затем последовательно проходят остальные 
слои. На каждом слое к представлению данных применяется новое преобразование. 
По мере движения данных по слоям представление все сильнее отличается от ис­
ходного и становится все ближе и ближе к поставленной перед нейронной сетью 
цели — а именно, к выдаче правильной метки для входного изображения. Последний 
слой (см. рис. 1.5, 
справа
) выдает конечный результат работы нейронной сети, он же 
результат задачи классификации изображения.
Рис. 1.5.
Упрощенная схема нейронной сети, организованной послойно. Сеть классифицирует 
изображения рукописных цифр. Между слоями показаны промежуточные представления исходных 
данных. Воспроизводится с разрешения François Chollet, Deep Learning with Python, Manning 
Publications, 2017
1
1 
Шолле Ф.
Глубокое обучение на Python. — СПб.: Питер, 2020.

---