JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
z
z
В табл. 3.6 приведен обзор методик, рекомендуемых для работы с наиболее рас­
пространенными типами задач машинного обучения, описанными выше (регрес­
сия, бинарная классификация и многоклассовая классификация).
z
z
Гиперпараметры представляют собой параметры структуры модели машинного 
обучения, свойств ее слоев и процесса обучения. В отличие от весовых пара­
метров модели, они: 1) не меняются в процессе обучения модели и 2) обычно 
дискретны. Оптимизация гиперпараметров — процесс поиска значений гипер­
параметров, при которых достигается минимум функции потерь на проверочном 
наборе данных. Оптимизация гиперпараметров все еще активно исследуется. 
В настоящее время для нее чаще всего применяются методы поиска по сетке, 
случайного поиска и байесовские методы.
Таблица 3.6.
Обзор наиболее распространенных типов задач машинного обучения, 
соответствующих функций активации последнего слоя и функций потерь, а также метрик, удобных 
для количественного выражения качества работы модели
Тип задачи
Функция 
активации 
выходного 
слоя
Функция потерь
Соответствующие 
метрики, 
поддерживаемые 
при вызовах 
Model.fit()
Дополнительные 
метрики
Регрессия
'linear' (по 
умолчанию)
'meanSquaredError' 
или 'meanAbsoluteEr­
ror'
(Аналогично 
функции потерь)
Бинарная клас­
сификация
'sigmoid'
'binaryCrossentropy'
'accuracy'
Точность, полнота, 
кривая «точность/
полнота», кривая 
ROC, AUC
Однозначная 
многоклассовая 
классификация
'softmax'
'categoricalCrossen­
tropy'
'accuracy'
Матрица различий

---

В этой главе
z

Представление изображений и различной сенсорной информации (например, 
звука) в виде многомерных тензоров.
z

Что такое сверточные нейронные сети, как они работают и почему особенно хоро-
шо подходят для задач машинного обучения, связанных с изображениями.
z

Как написать и обучить сверточную нейронную сеть на TensorFlow.js для класси-
фикации рукописных цифр.
z

Ускорение обучения моделей с помощью Node.js.
z

Применение сверточных нейронных сетей к аудиоданным для распознавания 
устной речи.
Нынешняя революция в сфере глубокого обучения началась с прорывов в решении 
задач распознавания изображений, например конкурса ImageNet. С изображениями 
связан широкий диапазон полезных и интересных в техническом отношении задач: 
от распознавания их содержимого до разбиения на осмысленные составные части, 
от определения местонахождения объектов в изображениях до синтезирования изо­
бражений. Этот подраздел машинного обучения иногда называют 
машинным зрением
(computer vision)
1
. Методики машинного зрения часто применяются в областях, 
1 
Учтите, что машинное зрение — обширная сфера знаний, частично связанная с не от­
носящимися к машинному обучению методиками, выходящими за рамки этой книги.
4
Распознавание изображений 
и звуковых сигналов 
с помощью сверточных сетей

---

150