JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
103
рицательно сказываться на цене недвижимости, например процент местных жителей, 
бросающих учебу в школе, и расстояние от недвижимости до места работы. И усво­
енные веса положительны для признаков, которые положительно коррелируют 
с ценой, например для количества комнат в доме.
Рис. 2.13.
Пять наиболее крупных по абсолютному значению весов, усвоенных за один проход 
линейной модели для задачи предсказания цен на бостонскую недвижимость. Обратите внимание 
на отрицательные значения признаков
2.4.2. Извлекаем из модели внутренние веса
Модульная структура обученной модели сильно упрощает извлечение интере­
сующих нас весов. К ним можно обращаться непосредственно, но для получения 
исходных значений необходимо пройти несколько слоев API. Важно учесть, что, 
поскольку значение может обрабатываться в GPU, а обмен информацией между 
физическими устройствами требует немалых ресурсов, запрос подобных значений 
производится асинхронно. Выделенный жирным шрифтом код в листинге 2.17 
дополняет обратные вызовы 
model.fit
, расширяя листинг 2.14 для демонстрации 
усвоенных весов после каждой эпохи. Мы рассмотрим далее эти вызовы API шаг 
за шагом.
Листинг 2.17.
Обращение к внутренним значениям модели
let trainLoss;
let valLoss;
await model.fit(tensors.trainFeatures, tensors.trainTarget, {
batchSize: BATCH_SIZE,
epochs: NUM_EPOCHS,
validationSplit: 0.2,
callbacks: {
onEpochEnd: async (epoch, logs) => {
await ui.updateStatus(
`Epoch ${epoch + 1} of ${NUM_EPOCHS} completed.`);
trainLoss = logs.loss;
valLoss = logs.val_loss;
await ui.plotData(epoch, trainLoss, valLoss);
model.layers[0].getWeights()[0].data().then(kernelAsArr => {

---