JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
подобной сверточной сети в браузере займет намного больше времени, поэтому 
имеет смысл производить его в среде с менее ограниченными ресурсами, например 
Node.js. Мы покажем вам, как это сделать, в разделе 4.3.
Рис. 4.8.
Кривые обучения сверточной сети MNIST. Пройдено десять эпох обучения, 
примерно по 800 батчей каждая. 
Слева: потери. Справа: безошибочность. Значения 
для обучающего и проверочного наборов данных показаны разными цветами, толщиной 
линий и метками. Кривые проверочного набора данных содержат меньше точек данных, 
чем обучающего, поскольку, в отличие от обучения, проверка проводится лишь 
в конце каждой эпохи
Помните, что MNIST — задача 10­классовой классификации. Так что безоши­
бочность при чисто случайном угадывании равна 10 %, а 99 % — гораздо лучший 
результат. Но случайное угадывание не слишком высокая планка. Как проде­
монстрировать пользу слоев conv2d и maxPooling2d модели? Можно ли достичь 
столь же хорошего результата с помощью одних только старых добрых плотных 
слоев?
Чтобы ответить на эти вопросы, проведем эксперимент. Код из файла 
index.js
включает еще одну функцию для создания модели — 
createDenseModel()
. В отличие 
от функции 
createConvModel()
из листинга 4.1, 
createDenseModel()
создает после­
довательную модель, состоящую только из слоев схлопывания и плотных слоев, то 
есть без использования новых типов слоев, с которыми мы познакомились в этой 
главе. 
createDenseModel()
гарантирует, что общее число параметров в создаваемой 
ею плотной модели и только что обученной нами сверточной сети примерно одина­
ково — около 33 000, что делает сравнение более адекватным.
Листинг 4.3.
Модель для MNIST из одних слоев схлопывания и плотных слоев для сравнения 
с нашей сверточной сетью
function createDenseModel() {
const model = tf.sequential();
model.add(tf.layers.flatten({inputShape: [IMAGE_H, IMAGE_W, 1]}));
model.add(tf.layers.dense({units: 42, activation: 'relu'}));
model.add(tf.layers.dense({units: 10, activation: 'softmax'}));

---