JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
77
Рис. 2.5.
Поверхность ошибок иллюстрирует зависимость функции потерь от настраиваемых 
параметров модели в виде контурного графика. С высоты птичьего полета представляется, 
что достаточно хорошим вариантом низкого значения потерь будет точка {смещение: 0.08, 
ядро: 0.07}, отмеченная белым крестиком. Очень редко удается проверить все значения 
параметров и построить подобный график. В подобном случае оптимизация сильно упрощается: 
достаточно выбрать параметры, соответствующие минимальному значению функции потерь!
Мы видим, что эта поверхность ошибок имеет форму чаши, а наилучшее (мини­
мальное) значение находится в районе точки 
{смещение:
0.08,
ядро:
0.07}
. Это соот­
ветствует геометрии прямой, вытекающей из наших данных, с временем скачивания 
около 0,1 секунды, даже если размер файла близок к нулю. Инициализация модели 
случайными значениями запускает процесс при случайных параметрах, подобно 
случайной точке на карте, для которой вычисляются начальные потери. Далее мы 
постепенно подстраиваем параметры на основе сигнала обратной связи. Эта посте­
пенная подстройка и есть 
обучение
в смысле машинного обучения. Оно происходит 
внутри 
цикла обучения
(training loop), приведенного на рис. 2.6.
Рисунок 2.6 демонстрирует итерации цикла обучения по этим шагам (выполня­
емые столько раз, сколько нужно).
1. Выбираем 
батч
обучающих примеров данных 
x
и соответствующие целевые зна­
чения 
y_true
. Батч — это просто набор входных примеров данных в виде тензора. 
Количество примеров данных в батче называется его 
размером
. На практике 
при глубоком обучении в качестве размера часто выбирается степень двойки, 

---

78