JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
погрешности на каждом примере данных (10 
×
3
2
= 90), чем в случае ошибки, рав­
ной 30, на одном­единственном примере (1 
×
30
2
= 900). Из­за чувствительности 
к крупным ошибкам квадратичная погрешность более чувствительна к аномальным 
значениям примеров данных, чем абсолютная. Оптимизатор, подгоняющий модель 
для минимизации MSE, будет предпочитать модели с систематическими малыми 
ошибками, а не модели, которые изредка выдают очень плохие оценки. Разумеется, 
для обеих мер погрешности лучшими считаются модели, которые вообще не дают 
ошибок! Однако если приложение, возможно, очень чувствительно к сильно не­
точным аномальным значениям, то лучше выбрать MSE, а не MAE. Есть и другие, 
чисто технические причины, почему лучше может оказаться MSE или MAE, но для 
нас они сейчас неважны. В этом примере мы для разнообразия воспользуемся MSE, 
но MAE тоже подошла бы.
Прежде чем продолжить, нам необходимо вычислить эталонную оценку потерь. 
Если мы не знаем погрешность для очень простой оценки, то не сможем и вычислить 
ее для более сложной модели. В качестве нашего «лучшего наивного предсказания» 
воспользуемся средней ценой недвижимости и вычислим погрешность для сценария, 
когда это значение всегда предсказывается.
Листинг 2.8.
Вычисление эталонных потерь при использовании в качестве предсказания 
средней цены
Поскольку TensorFlow.js оптимизирует вычисления за счет выполнения их на 
GPU, тензоры не всегда будут доступны CPU. Вызов 
dataSync
в листинге 2.8 ука­
зывает библиотеке TensorFlow.js завершить вычисления тензора и извлечь значение 
из GPU в CPU, чтобы можно было его вывести или как­либо еще совместно исполь­
зовать с операцией, не имеющей отношения к TensorFlow.
В результате выполнения кода из листинга 2.8 в консоль выводится следующее:
Average price: 22.768770217895508
Baseline loss: 85.58282470703125
Получается, что частота ошибок при «наивном» предсказании составляет при­
мерно 85,58. У модели, которая всегда выдавала бы 22,77, MSE составляла бы 85,58 
на контрольных данных. Опять же обратите внимание, что мы вычисляем метрику 
на обучающих данных и оцениваем ее на контрольных данных во избежание необъ­
ективной систематической ошибки.
Средняя 
квадратичная
погрешность составляет 85,58, так что для получения 
средней погрешности необходимо извлечь из нее квадратный корень. Квадрат­

---