JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 10. Генеративное глубокое обучение
399
Рис. 10.6.
Сравнение работы классического автокодировщика (блок A) и VAE (блок Б). Классический 
автокодировщик ставит в соответствие входному изображению фиксированный латентный 
вектор и выполняет на его основе декодирование. Напротив, VAE ставит входному изображению 
в соответствие распределение, описываемое математическим ожиданием и дисперсией, выбирает 
из этого распределения случайный латентный вектор и генерирует на его основе декодированное 
изображение. Изображение футболки — пример из набора данных Fashion-MNIST
Далее мы продемонстрируем вам VAE в действии на наборе данных Fashion­
MNIST. Как ясно из его названия
1
, прообразом для набора Fashion­MNIST
2
стал 
набор рукописных цифр MNIST, но он содержит изображения одежды и модных 
аксессуаров. Как и в наборе MNIST, данные Fashion­MNIST представляют собой 
изображения 28 
×
28 в оттенках серого. Они делятся ровно на десять классов одеж­
ды и аксессуаров (например, футболки, пуловеры, туфли и сумки; см. пример на 
рис. 10.6). Однако набор данных Fashion­MNIST несколько сложнее для алго ритмов 
машинного обучения, по сравнению с набором данных MNIST. Степень безошибоч­
ности на контрольном наборе данных у самых передовых алгоритмов составляет 
примерно 96,5 % — намного меньше, чем 99,75%­ная безошибочность столь же про­
двинутых алгоритмов на наборе данных MNIST
3
.
Мы создадим вариационный автокодировщик и обучим его на наборе данных 
Fashion­MNIST с помощью TensorFlow.js, а затем воспользуемся декодировщиком 
1 
Fashion — англ. «мода». — 
Примеч. пер.
2 
Xiao H., Rasul K., Vollgraf R.
Fashion­MNIST: A Novel Image Dataset for Benchmarking Ma­
chine Learning Algorithms // submitted 25 Aug. 2017. https://arxiv.org/abs/1708.07747.
3 
Источник: State­of­the­Art Result for All Machine Learning Problems // GitHub, 2019. 
http://mng.bz/6w0o.

---

400