JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
этого VAE для выборки из двумерного латентного пространства и изучения вну­
тренней структуры этого пространства.
10.2.2. Подробный пример VAE: пример Fashion-MNIST
Для извлечения из репозитория примера fashion­mnist­vae выполните следующие 
команды:
git clone https://github.com/tensorflow/tfjs-examples.git
cd tfjs-examples/fashion-mnist-vae
yarn
yarn download-data
Этот пример состоит из двух частей: обучения VAE в Node.js и генерации изо­
бражений в браузере с помощью декодировщика. Для запуска обучения выполните:
yarn train
При наличии настроенного должным образом GPU с поддержкой CUDA можете 
воспользоваться флагом 
--gpu
, чтобы повысить скорость обучения:
yarn train --gpu
На более или менее современном компьютере, оснащенном GPU с поддержкой 
CUDA, обучение должно занять около пяти минут и около часа — без GPU. По за­
вершении обучения скомпонуйте и запустите браузерную клиентскую часть с по­
мощью следующей команды:
yarn watch
Клиентская часть загрузит декодировщик VAE, сгенерирует набор изображений 
с помощью двумерной сетки равноудаленных латентных векторов и выведет эти 
изображения на странице, что даст вам понимание структуры данного латентного 
пространства.
Говоря техническим языком, VAE функционирует следующим образом.
1. Кодировщик преобразует входные примеры данных в два параметра в латент­
ном пространстве: 
zMean
и 
zLogVar
— математическое ожидание и логарифм 
дисперсии соответственно. Длина обоих векторов такая же, как и размерность 
латентного пространства
1
. Например, при двумерном латентном пространстве 
zMean
и 
zLogVar
будут векторами длиной 2. Почему мы используем логарифм 
дисперсии, а не просто дисперсию? Потому что дисперсия по определению не­
отрицательна, но обеспечить выполнение подобных требований к знаку выход­
ного сигнала не так­то просто. А логарифм дисперсии может принимать любой 
знак. Благодаря использованию логарифма мы можем не беспокоиться о знаке 
1 
Строго говоря, ковариационная матрица латентного вектора длины N представляет собой 
матрицу N 
×
N. Однако zLogVar — вектор длины N, ведь наша ковариационная матрица 
диагональна, то есть в нашем случае нет никакой корреляции между любыми двумя эле­
ментами латентного вектора.

---