JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
возвращает только последний выходной сигнал, содержащий информацию обо всей 
последовательности.
Ниже приведен пример бинарной классификации последовательности векторов 
с помощью отдельного слоя RNN вместе с плотным слоем:
const model = tf.sequential();
model.add(tf.layers.lstm({
units: 32,
inputShape: [numTimesteps, numFeatures]
}));
model.add(tf.layers.dense({units: 1, activation: 'sigmoid'}));
model.compile({loss: 'binaryCrossentropy', optimizer: 'rmsprop'});
А вот модель с последовательностью слоев RNN для однозначной многоклассо­
вой классификации последовательности векторов:
const model = tf.sequential();
model.add(tf.layers.lstm({
units: 32,
returnSequences: true,
inputShape: [numTimesteps, numFeatures]
}));
model.add(tf.layers.lstm({units: 32, returnSequences: true}));
model.add(tf.layers.lstm({units: 32}));
model.add(tf.layers.dense({units: numClasses, activation: 'softmax'}));
model.compile({loss: 'categoricalCrossentropy', optimizer: 'rmsprop'});
Слои для сокращения переобучения и улучшения сходимости
Помимо вышеупомянутых основных типов слоев, существует несколько других 
вспомогательных типов слоев, применимых к широкому спектру моделей и задач. 
Без этих слоев достичь нынешних уровней безошибочности во многих задачах ма­
шинного обучения не удалось бы. Например, в MLP сверточные сети и RNN часто 
вставляют слои дропаута и нормализации по батчам для ускорения сходимости и со­
кращения переобучения. Следующий пример демонстрирует MLP для регрессии, 
содержащий слои дропаута:
const model = tf.sequential();
model.add(tf.layers.dense({
units: 32,
activation: 'relu',
inputShape: [numFeatures]
}));
model.add(tf.layers.dropout({rate: 0.25}));
model.add(tf.layers.dense({units: 64, activation: 'relu'}));
model.add(tf.layers.dropout({rate: 0.25}));
model.add(tf.layers.dense({units: 64, activation: 'relu'}));
model.add(tf.layers.dropout({rate: 0.25}));
model.add(tf.layers.dense({
units: numClasses,
activation: 'categoricalCrossentropy'
}));
model.compile({loss: 'categoricalCrossentropy', optimizer: 'rmsprop'});

---