JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 4. Распознавание изображений и звуковых сигналов
151
измерениями соответственно, как номер изображения (number, N), высота (height, H), 
ширина (width, W) и цветовой канал (channel, C). Этот формат называют 
NHWC
. 
Существует и альтернативный формат, с другим порядком четырех измерений, — он 
называется 
NCHW
. Как понятно из названия, в формате NCHW измерение каналов 
предшествует измерениям высоты и ширины. TensorFlow.js может работать с обоими 
форматами, но в книге для единообразия мы будем использовать только формат по 
умолчанию, NHWC.
Рис. 4.1.
Представление изображения из набора данных MNIST в виде тензоров для глубокого 
обучения. Ради наглядности мы уменьшили изображение MNIST с 28 
×
28 до 8 
×
8. Это 
изображение в оттенках серого, в результате чего получается тензор HWC формы [8, 8, 1]. 
Единственный его цветовой канал по последнему измерению мы опустим на схеме
4.1.1. Набор данных MNIST
В этой главе мы займемся задачей машинного зрения, связанной с набором дан­
ных рукописных цифр MNIST
1
. Он настолько важен и часто используется, что его 
считают своего рода Hello, world машинного зрения и глубокого обучения. Набор 
данных MNIST меньше и старше, чем большинство наборов данных, встречающихся 
на практике при глубоком обучении. Тем не менее познакомиться с этим широко 
1 
Аббревиатура MNIST расшифровывается как модифицированный NIST (Modified NIST). 
NIST всего лишь означает, что источником этого набора данных стал Национальный ин­
ститут стандартов и технологий США (US National Institute of Standards and Technology) 
(около 1995 года). Определение «модифицированный» относится к следующим измене­
ниям, внесенным в исходный набор данных NIST: 1) нормализация изображений к одному 
размеру растра — 28 
×
28 со сглаживанием для большей однородности обучающего и кон­
трольного наборов данных и 2) четкое разделение множеств людей, писавших исследуемые 
цифры для обучающего и контрольного наборов данных. Благодаря этим модификациям 
с набором данных стало проще работать и он лучше подходит для объективной оценки 
степени безошибочности модели.

---

152