JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Унитарная 
истинная метка
Probs (выходной сигнал многомерной 
логистической функции)
Бинарная 
перекрестная 
энтропия
MSE
[0, 1, 0]
[0,2, 0,5, 0,3]
0,693
0,127
[0, 1, 0]
[0,0, 0,5, 0,5]
0,693
0,167
[0, 1, 0]
[0,0, 0,9, 0,1]
0,105
0,006
[0, 1, 0]
[0,1, 0,9, 0,0]
0,105
0,006
[0, 1, 0]
[0,0, 0,99, 0,01]
0,010
0,00006

---

144
Часть II • Введение в TensorFlow.js
Если сравнить строки 1 и 2 или 3 и 4 этой таблицы, становится ясно, что из­
менение элементов 
probs
, не относящихся к фактическому классу примера, никак 
не влияет на категориальную перекрестную энтропию, хотя может менять значение 
MSE между унитарной истинной меткой и 
probs
. Кроме того, как и в случае бинар­
ной перекрестной энтропии, MSE меняется все медленнее по мере приближения 
значения 
probs
для фактического класса к 1, а потому хуже подходит для стиму­
ляции роста вероятности правильного класса, чем категориальная перекрестная 
энтропия. Именно по этим причинам категориальная перекрестная энтропия 
лучше подходит для роли функции потерь, чем MSE для задач многоклассовой 
классификации.
3.3.4. Матрица различий: детальный анализ 
многоклассовой классификации
Если нажать кнопку 
Train Model from Scratch
(Обучить модель с нуля) на веб­странице 
примера, можно за несколько секунд получить обученную модель. Как демонстри­
рует рис. 3.9, безошибочность модели уже после 40 эпох обучения практически 
идеальна: набор данных «Ирисы Фишера» маленький и границы между классами 
в пространстве признаков четко очерчены.
Рис. 3.9.
Типичный результат обучения модели iris в течение 40 эпох. 
Слева вверху: функция 
потерь в зависимости от эпохи обучения. 
Справа вверху: безошибочность в зависимости от эпохи 
обучения. 
Внизу: матрица различий

---