JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
данных перед вводом их в модель, а также преобразование выходных сигналов мо­
дели в форму, более подходящую для дальнейших систем. В этом случае модульные 
тесты помогают гарантировать корректность подобной логики предварительной 
и постобработки.
Еще один допустимый вид применения «золотых значений» выходит за рамки 
модульного тестирования: мониторинг качества работы модели (но не в качестве 
модульного тестирования) по мере ее видоизменения. Мы расскажем об этом по­
дробнее, когда будем обсуждать средства проверки и оценки модели в следующем 
разделе.
12.1.3. Соображения по поводу непрерывного обучения
Во многих системах машинного обучения новые обучающие данные поступают до­
вольно регулярно (каждый день или каждую неделю). Иногда можно использовать 
журналы за предыдущий день для генерации новых, более актуальных обучающих 
данных. В подобных системах модель необходимо часто обучать заново, на основе 
самых свежих доступных данных. Существует мнение, что в подобных случаях 
возможности устаревшей модели снижаются. С течением времени входные данные 
модели понемногу перестают соответствовать распределению, которому соответ­
ствовали во время ее обучения, и характеристики качества ее работы ухудшаются. 
В качестве примера представьте себе утилиту для рекомендации одежды, обученную 
зимой, а предсказания выполняющую летом.
Достаточно приступить к изучению систем непрерывного обучения, и вы об­
наружите, что в конвейер входит большое число дополнительных компонентов. 
Всестороннее обсуждение их выходит за рамки данной книги, скажем только, что 
источником дополнительных идей может послужить инфраструктура TensorFlow 
Extended (TFX)
1
. К сфере тестирования из перечисленных в ней компонентов 
конвейера относятся прежде всего 
средство проверки примеров данных
(example 
validator), 
средство проверки модели
(model validator) и 
средство оценки модели
(model evaluator). Схема на рис. 12.1 включает соответствующие этим компонентам 
прямоугольники.
Средство проверки примеров данных осуществляет тестирование данных — ча­
сто игнорируемый аспект тестирования системы машинного обучения. Знаменитое 
высказывание, популярное среди специалистов по машинному обучению, гласит: 
«Мусор на входе — мусор на выходе» (Garbage in, garbage out). Качество обученной 
модели машинного обучения ограничивается качеством ее входных данных. При­
меры с некорректными значениями признаков или метками, вероятно, отрицательно 
повлияют на безошибочность обученной модели после ее развертывания (и это если 
сначала не возникнут проблемы при обучении модели из­за этих плохих примеров 
данных!). Средство проверки примеров данных обеспечивает соответствие свойств 
1 
Baylor D. et al.
TFX: A TensorFlow­Based Production­Scale Machine Learning Platform // 
KDD, 2017. www.kdd.org/kdd2017/papers/view/tfx­a­tensorflow­based­production­scale­
machine­learning­platform.

---