JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
Следовательно, при использовании подобного многоклассового классификатора 
принадлежность элемента к тому или иному классу можно выбирать по номеру 
выходного вектора функции softmax с максимальным значением. Для этого можно 
воспользоваться методом 
argMax()
. Например, вот фрагмент файла 
index.js
:
const predictOut = model.predict(input);
const winner = data.IRIS_CLASSES[predictOut.argMax(-1).dataSync()[0]];
predictOut
— двумерный тензор формы 
[numExamples,
3]
. При вызове его метода 
argMax()
форма свертывается в 
[numExamples]
. Значение аргумента 
-1
указывает 
методу 
argMax()
искать максимальные значения по последнему измерению и воз­
вращать их индексы. Например, пусть значение 
predictOut
равно:
[[0 , 0.6, 0.4],
[0.8, 0 , 0.2]]
Далее, 
argMax(-1)
возвращает тензор, согласно которому максимальные значения 
по последнему измерению находятся на позициях 1 и 0 для первого и второго при­
мера данных соответственно:
[1, 0]
3.3.3. Категориальная перекрестная энтропия: функция 
потерь для многоклассовой классификации
В примере бинарной классификации мы видели, как в качестве функции потерь 
использовалась бинарная перекрестная энтропия и почему другие, более понятные 
человеку метрики, например безошибочность и полнота, не подходят на роль функ­
ции потерь. 
При многоклассовой классификации ситуация аналогична. Для нее существует 
простая и понятная метрика — безошибочность — доля правильно классифициро­
ванных моделью примеров данных. Эта метрика дает возможность специалистам, 
использующим модель, понять, насколько хорошо та работает. Она используется 
в следующем фрагменте кода из листинга 3.9:
model.compile({
optimizer: optimizer,
loss: 'categoricalCrossentropy',
metrics: ['accuracy'],
});
Однако безошибочность — плохой кандидат на роль функции потерь, поскольку 
эта метрика подвержена той же проблеме нулевых градиентов, что и безошибочность 
при бинарной классификации. Следовательно, пришлось изобрести специальную 
функцию потерь для многоклассовой классификации: 
категориальную перекрест-
ную энтропию
(categorical cross entropy). Это просто обобщение бинарной пере­
крестной энтропии на случай более чем двух категорий.

---