JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
69
ляет собой функцию, принимающую на входе размер файла и выдающую значения 
продолжительности скачивания (см. рис. 2.2). В терминологии глубокого обучения 
сеть
(network) иногда используется в качестве синонима слова «модель». Наша 
первая модель реализует 
линейную регрессию
(linear regression).
Регрессия
в контексте машинного обучения означает, что модель возвращает 
вещественные значения, пытаясь подобрать соответствие для целевых признаков. 
Этот метод отличен от классификации, при которой выходные сигналы выбираются 
из некоего набора вариантов. В задачах регрессии модель, выдающая более близкие 
к целевым значения, лучше, чем модель, выдающая более далекие. Лучше, если 
модель предсказывает, что скачивание файла размером 1 Мбайт занимает около 
0,15 секунды, чем если бы она предсказывала, что оно займет 600 секунд.
Линейная регрессия — особый вид регрессии, при котором выходной сигнал 
как функция входного представляет собой прямую линию (или соответственно 
плоскость в многомерном пространстве, если входных признаков несколько) (ли­
стинг 2.3). Важную роль играет возможность 
подстройки
моделей. Это означает 
возможность корректировки вычислений, переводящих входной сигнал в выходной. 
Мы воспользуемся этим свойством для подстройки модели так, чтобы она лучше 
«подходила» для наших данных. В линейном случае отношение входного сигнала 
к выходному сигналу модели всегда является прямой линией, но можно подбирать 
ее наклон и точку пересечения с осью координат 
Y
.
Листинг 2.3.
Формирование модели линейной регрессии (из CodePen 2-c)
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [1], units: 1}));
Основной кирпичик нейронных сетей — 
слой
(layer), модуль обработки данных, 
который можно считать подстраиваемой функцией, переводящей тензоры в тен­
зоры. В данном случае наша модель состоит из одного плотного слоя с наложен­
ным на форму входного тензора ограничением, описанным с помощью параметра 
inputShape:
[1]
. Это значит, что слой ожидает входные данные в виде одномерного 
тензора, хранящего только одно значение. Выходной сигнал плотного слоя всегда 
представляет собой одномерный тензор для каждого примера данных, но размер 
этого измерения определяется конфигурационным параметром 
units
. В данном 
случае нам нужно лишь одно выходное значение, поскольку мы хотим предсказать 
одно число, а именно 
timeSec
.
По существу, плотный слой представляет собой настраиваемую функцию умно­
жения­сложения, переводящую каждый входной сигнал в соответствующий вы­
ходной. А поскольку на входе и выходе только по одному значению, эта модель 
представляет собой простое линейное уравнение 
y
=
m
*
x
+
b
, наверняка знакомое 
вам из школьного курса математики. В плотном слое 
m
называется 
ядром
(kernel), 
а 
b
— 
смещением
(bias), как показано на рис. 2.3. В данном случае мы сформировали 
линейную модель для отношения между входным (
sizeMB
) и выходным (
timeSec
) 
сигналами:
timeSec =