JavaScript для глубокого обучения 2021 TensorFlow js Ббк

96
Часть II • Введение в TensorFlow.js
Рис. 2.12.
Документация по API TensorFlow.js, размещенная по адресу js.tensorflow.org 
и позволяющая непосредственно здесь изучать в интерактивном режиме возможности API. 
Благодаря этому можно быстро и просто разобраться, как использовать функции, и изучить 
запутанные граничные случаи
В этом примере мы написали код так, чтобы сделать его максимально прозрач­
ным для читателя, но функцию 
determineMeanAndStddev
можно выразить намного 
лаконичнее:
const std = data.sub(data.mean(0)).square().mean().sqrt();
Как видите, TensorFlow дает возможность выполнять множество числовых рас­
четов без лишнего шаблонного кода.
ИНФОБОКС 2.4. Транслирование
Рассмотрим тензорную операцию, скажем 
C
=
tf.некая_операция(A,
B)
, где 
A
и 
B
— тен­
зоры. По возможности, если нет неоднозначностей, меньший тензор транслируется 
так, чтобы соответствовать форме большего. Транслирование состоит из двух этапов.
1. В меньший тензор добавляется столько дополнительных осей координат (назы­
ваемых 
осями транслирования
), чтобы его ранг соответствовал рангу большего 
тензора.
2. Меньший тензор повторяется параллельно этим новым осям координат столько 
раз, сколько нужно для совпадения его формы с формой большего тензора.

---

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
97
Если говорить о реализации, на самом деле никакого нового тензора не создается — 
это было бы исключительно неэффективно. Операция повторения тензора является 
полностью воображаемой — она происходит на алгоритмическом уровне, а не на 
уровне памяти. Но очень удобно в качестве умозрительной модели представлять себе, 
что меньший тензор повторяется вдоль новой оси координат.
С помощью транслирования можно в общем случае применять поэлементные операции 
к двум тензорам, один из которых имеет форму 
(a,
b,
…,
n,
n
+
1,…
m)
, а второй — форму 
(n,
n
+
1,…
m)
. Транслирование будет автоматически происходить для осей координат 
с 
a
до 
n
-
1
. Например, в следующем примере поэлементная операция 
maximum
путем 
транслирования применяется к двум случайным тензорам различных форм:
2.3.6. Линейная регрессия по набору данных 
Boston-housing
Наши данные нормализованы, и мы провели всю необходимую их обработку для 
вычисления эталонных потерь. Следующий шаг — создание и подгонка модели 
в надежде добиться лучших, чем эталонные, результатов. В листинге 2.10 описана 
модель линейной регрессии, подобная приведенной в разделе 2.1 (файл 
index.js
). 
Код практически такой же, единственное отличие от модели для предсказания време­
ни скачивания — конфигурация 
inputShape
, теперь с векторами длиной 12 вместо 1. 
Для единственного плотного слоя по­прежнему указано 
units:
1
, то есть выходной 
сигнал — одно число.