JavaScript для глубокого обучения 2021 TensorFlow js Ббк

В этой главе
z

Что такое перенос обучения и почему во многих задачах лучше использовать этот 
метод, а не обучать модели с нуля.
z

Как использовать все возможности выделения признаков в современных предобу-
ченных сверточных слоях, преобразуя их из Keras в TensorFlow.js.
z

Подробное описание механизмов переноса обучения, включая блокировку слоев, 
создание новых переносимых верхушек и тонкую подстройку.
z

Обучение в TensorFlow.js простой модели для обнаружения объектов с помощью 
переноса обучения.
В главе 4 обсуждалось обучение сверточных сетей для классификации изображений. 
Теперь представьте себе такой сценарий работы: сеть классификации рукописных 
цифр демонстрирует плохие результаты для части пользователей, поскольку их 
почерк сильно отличается от того, каким написаны исходные обучающие данные. 
Можно ли повысить для них качество работы модели на основе небольшого коли­
чества (скажем, 50 примеров) полученных от них же данных? И еще один сценарий 
работы: интернет­магазин хочет автоматически классифицировать загружаемые 
пользователями изображения товаров. Но среди общедоступных сетей (таких как 
MobileNet
1
) нет обученных на изображениях из подобной узкой предметной области. 
1 
Howard A. G. et al.
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision 
Applications // submitted 17 Apr. 2017. https://arxiv.org/abs/1704.04861.
5
Перенос обучения: 
переиспользование 
предобученных 
нейронных сетей

---

188
Часть II • Введение в TensorFlow.js
Можно ли воспользоваться общедоступной моделью изображений для решения 
такой специфической задачи классификации, если имеется умеренное количество 
(скажем, несколько сотен) маркированных изображений?
К счастью, решать подобные задачи можно с помощью методики 
переноса об-
учения
(transfer learning), которой и посвящена данная глава.
5.1. Переиспользование предобученных моделей
По существу, перенос обучения представляет собой ускорение новой задачи обучения 
за счет переиспользования результатов предыдущего обучения. При этом использу­
ется модель, обученная на наборе данных выполнять 
другую, но схожую
задачу ML. 
Такую уже обученную модель называют 
базовой 
(base model). Иногда перенос обуче­
ния означает повторное обучение базовой модели, а иногда — создание новой модели 
на основе базовой. Новую модель мы будем называть 
перенесенной 
(transfer model). 
Как демонстрирует рис. 5.1, необходимый для повторного обучения объем данных 
намного меньше, по сравнению с массивом данных, на котором обучалась базовая мо­
дель (как в двух примерах выше). Перенос обучения обычно требует меньше времени 
и ресурсов, чем процесс обучения базовой модели. Благодаря этому он осуществим 
в TensorFlow.js в среде с ограниченными ресурсами, например в браузере. Поэтому 
для изучающих TensorFlow.js перенос обучения — очень важная тема.