JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
85
Рис. 2.10.
Схематическое изображение обратного распространения ошибки от loss 
до двух обновляемых весовых коэффициентов (k и b)
Мы изложили здесь метод обратного распространения ошибки в общих чертах 
и довольно неформально. Чтобы глубже разобраться в математике и алгоритмах 
обратного распространения ошибки, загляните в приведенные в инфобоксе 2.2 
библио графические ссылки.
Вы уже должны неплохо понимать, что происходит при подгонке простой модели 
к обучающим данным, так что отложим нашу крошечную задачу с предсказанием 
времени скачивания и воспользуемся TensorFlow.js для чего­нибудь более серьез­
ного. 
В следующем разделе мы создадим модель для точного предсказания цен недви­
жимости на основе сразу нескольких входных признаков.
ИНФОБОКС 2.2. Рекомендуемая литература по методу градиентного 
спуска и обратному распространению ошибки
Используемые для оптимизации нейронных сетей методы дифференциального ис­
числения очень интересны и позволяют лучше понять, как эти алгоритмы себя ведут. 
Но, за исключением самых основ, их вовсе 
не обязательно
знать для практического 
применения машинного обучения, точно так же, как знания нюансов протокола TCP/
IP полезны, но при создании современного веб­приложения без них можно обойтись. 
Мы приглашаем любознательных читателей заглянуть в перечисленные ниже замеча­
тельные источники информации, чтобы лучше разобраться в математических основах 
оптимизации сетей на основе градиентного спуска.
• Заметки о методе обратного распространения ошибки из лекции 4 курса CS231 
Стэнфордского университета: 
http://cs231n.github.io/optimization-2/
.
• 
Hacker’s Guide to Neural Nets
Андрея Карпаты (Andrej Karpathy): 
http://karpathy.git-
hub.io/neuralnets/
.

---

86