JavaScript для глубокого обучения 2021 TensorFlow js Ббк

104
Часть II • Введение в TensorFlow.js
// console.log(kernelAsArr);
const weightsList = describeKerenelElements(kernelAsArr);
ui.updateWeightDescription(weightsList);
});
}
}
});
Прежде всего нам нужно получить доступ к правильному слою модели. В данном 
случае это просто, ведь в нашей модели только один слой, к которому можно обра­
титься с помощью 
model.layers[0]
. Теперь можно получить доступ к внутренним 
весам с помощью метода 
getWeights()
, возвращающего массив весов. В случае плот­
ного слоя результат будет всегда содержать два веса: ядро и смещение, причем имен­
но в таком порядке. Следовательно, получить доступ к нужному тензору можно так:
> model.layers[0].getWeights()[0]
Теперь можно обратиться к содержимому этого тензора, вызвав его метод 
data()
. 
Вследствие асинхронной природы обмена информацией между GPU и CPU метод 
data()
— асинхронный и возвращает промис значения тензора, а не само значение. 
В листинге 2.17 передаваемый в метод 
then()
промиса обратный вызов привязы­
вает значения тензора к переменной 
kernelAsArr
. Если раскомментировать вызов 
console.log()
, на каждой эпохе в консоль будут однократно выводиться выражения 
наподобие следующих, содержащие значения ядра:
> Float32Array(12) [-0.44015952944755554, 0.8829045295715332,
0.11802537739276886, 0.9555914402008057, -1.6466193199157715,
3.386948347091675, -0.36070501804351807, -3.0381457805633545,
1.4347705841064453, -1.3844640254974365, -1.4223048686981201,
-3.795234441757202]
2.4.3. Нюансы интерпретируемости
Из весов на рис. 2.13 можно сделать определенные выводы. Читающий эту книгу 
человек, глядя на них, может сказать, что модель усвоила. Например, что признак 
«Количество комнат в доме» положительно коррелирует с предсказываемой ценой 
или что признак AGE недвижимости, не перечисленный выше вследствие малого 
абсолютного значения, менее важен, чем те первые пять признаков. А в силу особен­
ностей человеческого мышления мы часто делаем далеко идущие выводы и вооб­
ражаем, что эти числа говорят нам больше, чем можно утверждать, основываясь на 
фактах. Например, подобный анализ может привести к ложным выводам, если два 
входных признака сильно коррелируют между собой.
Рассмотрим гипотетический пример, в котором один и тот же признак включен 
во входные данные дважды, возможно, просто по недосмотру. Назовем эти два 
идентичных признака FEAT1 и FEAT2. Допустим, усвоенные веса для этих при­
знаков равны 10 и –5. Хочется сказать, что увеличение FEAT1 приводит к боль­

---