JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
75
2.1.7. Резюме нашего первого примера
Для такого маленького примера можно наглядно показать результаты модели. 
На рис. 2.4 построен график выходного сигнала модели (
timeSec
) как функции вход­
ного сигнала (
sizeMB
) для моделей в четырех различных точках процесса, начиная 
с недообученной модели после десяти эпох и заканчивая полностью сошедшейся 
моделью. Как видим, сошедшаяся модель хорошо подогнана к данным. Если вы хо­
тели бы научиться строить графики, подобные приведенному на рис. 2.4, загляните 
в CodePen (
codepen.io/tfjs-book/pen/VEVMMd
).
Рис. 2.4.
Подобранная линейная модель после обучения 
в течение 10, 20, 100 и 200 эпох
На этом наш первый пример завершается. Вы только что видели, как создать, об­
учить и оценить эффективность модели TensorFlow.js с помощью всего нескольких 
строк кода на JavaScript (листинг 2.6). В следующем разделе мы немного подробнее 
поговорим о происходящем внутри метода 
model.fit
.
Листинг 2.6.
Модель: описание, обучение, оценка и предсказание
const model = tf.sequential([tf.layers.dense({inputShape: [1], units: 1})]);
model.compile({optimizer: 'sgd', loss: 'meanAbsoluteError'});
(async () => await model.fit(trainTensors.sizeMB,
trainTensors.timeSec,
{epochs: 10}))();
model.evaluate(testTensors.sizeMB, testTensors.timeSec);
model.predict(tf.tensor2d([[7.8]])).print();

---

76
Часть II • Введение в TensorFlow.js
2.2. Внутреннее устройство Model.fit(): 
анализируем градиентный спуск 
из примера 1
В предыдущем разделе мы создали простую модель и подогнали ее к обучающим 
данным, показав, что по размеру файла можно выполнять достаточно точные предска­
зания продолжительности скачивания. Это не самая впечатляющая нейронная сеть, 
но она функционирует совершенно аналогично б
ó
льшим, значительно более сложным 
системам, которые мы будем создавать в дальнейшем. Мы видели, что подгонка ее 
в течение десяти эпох не дала хороших результатов, а вот в результате подгонки в те­
чение 200 эпох получилась качественная модель
1
. Немного углубимся в подробности 
и разберемся, что именно происходит «под капотом» во время обучения модели.
2.2.1. Основные идеи оптимизации 
на основе градиентного спуска
Напомним, что наша простая, однослойная модель подгоняет линейную функцию 
f(входной_сигнал)
вида:
выходной_сигнал =