JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Листинг 2.10.
Описание модели линейной регрессии для проекта Boston-housing
export const linearRegressionModel = () => {
const model = tf.sequential();
model.add(tf.layers.dense(
{inputShape: [bostonData.numFeatures], units: 1}));
return model;
};
Напомним, что после описания модели, но перед обучением необходимо указать 
функцию потерь и оптимизатор, вызвав 
model.compile
. Как видно из листинга 2.11, 
задана функция потерь 
'meanSquaredError'
, а у оптимизатора — установленная поль­
зователем скорость обучения. В предыдущем примере параметр оптимизатора был 
установлен равным строке 
'sgd'
, сейчас же он равен 
tf.train.sgd(LEARNING_RATE)
. 
Эта фабричная функция возвращает объект, соответствующий алгоритму оптими­
зации на основе стохастического градиентного спуска, параметризованный нашим 
пользовательским значением скорости обучения. Такой паттерн, унаследованный 

---

98
Часть II • Введение в TensorFlow.js
из Keras, часто применяется в TensorFlow.js. Как вы увидите, он используется для 
множества настраиваемых опций. Для стандартных, широко известных параметров 
по умолчанию требуемый объектный тип может заменять строковое значение­инди­
катор, которое TensorFlow.js заменит нужным объектом с хорошими параметрами 
по умолчанию. В данном случае строка 
'sgd'
будет заменена на 
tf.train.sgd(0.01)
. 
Если нужно дополнительно изменить настройки, пользователь может сформировать 
объект с помощью фабричной функции и указать в нем требуемые пользовательские 
значения. Благодаря этому код в большинстве случаев оказывается более лако­
ничным, но пользователи при необходимости могут переопределять поведение по 
умолчанию.
Листинг 2.11.
Компиляция модели для проекта Boston-housing (из файла index.js)
const LEARNING_RATE = 0.01;
model.compile({
optimizer: tf.train.sgd(LEARNING_RATE),
loss: 'meanSquaredError'});
Теперь можно обучить нашу модель на обучающем наборе данных. В листингах 
с 2.12 по 2.14 мы воспользуемся дополнительными возможностями вызова метода 
model.fit()
, но по существу он делает то же самое, что показано на рис. 2.6. На каждом 
шаге он выбирает несколько новых примеров данных из входных (
tensors.train-
Features
) и целевых признаков (
tensors.trainTarget
), вычисляет функцию потерь, 
после чего обновляет внутренние веса для снижения этих потерь. Процесс повто­
ряется в течение 
NUM_EPOCHS
полных проходов по обучающим данным с выбором на 
каждом шаге 
BATCH_SIZE
примеров данных.