JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
63
Впрочем, для специалиста­практика знакомство с линейной алгеброй, дифферен­
циальным исчислением и статистикой многомерных пространств желательно, но 
не обязательно, даже при создании сложных, высокопроизводительных систем. 
Наша цель в этой главе и вообще в книге — познакомить вас с различными техниче­
скими моментами, где это возможно, с помощью кода, а не математических формул. 
Мы хотим научить вас понимать принципы работы на интуитивном уровне, без 
специальных познаний предметной области.
2.1. Пример 1. Предсказание продолжительности 
скачивания с помощью TensorFlow.js
Что ж, приступим! Создадим простейшую нейронную сеть на основе библиоте­
ки TensorFlow.js (это название иногда сокращают до tfjs) для предсказания вре­
мени скачивания по размеру загружаемого файла. Если вы еще не сталкивались 
с TensorFlow.js или ей подобными библиотеками, то вряд ли сразу все поймете 
в примере, и это нормально. Все приведенные понятия мы подробно обсудим в по­
следующих главах, так что не волнуйтесь, если что­то покажется вам странным. 
С чего­то ведь нужно начинать. И мы начнем с написания короткой программы, при­
нимающей в качестве входных данных размер файла и выводящей прогнозируемое 
время скачивания этого файла.
2.1.1. Обзор проекта: предсказание продолжительности
При первом близком знакомстве с системой машинного обучения вас может на­
пугать разнообразие новых понятий и терминов. Следовательно, имеет смысл 
сначала взглянуть на технологический процесс в целом. Схематически данный 
пример описан на рис. 2.1. Это паттерн, который будет использоваться для всех 
примеров книги.
Во­первых, мы получим доступ к нашим обучающим данным. При машинном 
обучении данные могут читаться с диска, скачиваться по сети, генерироваться или 
просто «зашиваться» в программу. В этом примере мы воспользуемся последним из 
перечисленных подходов, поскольку он удобен, а нам нужно лишь небольшое коли­
чество данных. Первый шаг — создание модели, которое, как мы видели в главе 1, 
напоминает проектирование подходящей обучаемой функции: функции, отобра­
жающей входные данные в предсказываемые величины. В данном случае входные 
и прогнозируемые данные представляют собой числа. Когда у нас будут и модель, 
и данные, мы обучим модель, отслеживая по ходу дела ее метрики. И наконец, вос­
пользуемся обученной моделью для предсказания на основе еще не встречавшихся 
ей данных и оценим показатель ее безошибочности.
Мы пройдем по всем этим этапам, приводя работоспособные фрагменты кода, 
которые вы сможете просто скопировать, с пояснениями теории и конкретных ин­
струментов.

---