JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Листинг 5.4.
Получение вложений изображений с помощью усеченной MobileNet
Теперь у нас есть способ получить вложения изображений веб­камеры. Но как 
с их помощью предсказать, какому направлению соответствует конкретное изо­
бражение? Для этого нам понадобится новая модель, входным сигналом которой 
служат эти вложения, а выходным сигналом — значения вероятностей для четырех 
классов направлений. Для создания подобной модели можно взять код из листин­
га 5.5 (из файла 
index.js
).
Новая модель, созданная в листинге 5.5, намного меньше усеченной MobileNet. 
Она состоит лишь из трех слоев.
z
z
Входной слой — слой схлопывания, преобразующий трехмерные вложения из 
усеченной модели в одномерный тензор, подходящий в качестве входных данных 
1 
Часто спрашивают, как получить значения функций активации промежуточных слоев 
моделей TensorFlow.js. Приведенная здесь методика может стать ответом на этот вопрос.

---

206
Часть II • Введение в TensorFlow.js
последующим плотным слоям. В главе 4 мы уже использовали аналогичным об­
разом слои схлопывания в сверточных сетях MNIST. 
inputShape
соответствует 
форме выходного сигнала исходной усеченной MobileNet (без измерения бат­
чей), поскольку на вход новой модели будут подаваться вложения из усеченной 
MobileNet.
z
z
Второй слой — скрытый слой. Он скрыт, поскольку не является ни входным, 
ни выходным слоем модели, а расположен между двумя другими слоями для 
повышения разрешающих возможностей модели, что очень напоминает MLP 
из главы 3. Это скрытый плотный слой с функцией активации ReLU. Как вы 
помните, в пункте «Избегаем нагромождения слоев без нелинейностей» главы 3 
мы обсуждали важность использования нелинейных функций активации для 
подобных скрытых слоев.
z
z
Третий слой — завершающий (выходной) слой новой модели. Он включает 
многомерную логистическую функцию активации, подходящую для решения 
нашей задачи многоклассовой (то есть четырехклассовой: по одному классу для 
каждого направления движения Пакмана) классификации.
Листинг 5.5.
Предсказание направлений движения для игровой приставки 
с помощью вложений изображений
Таким образом, мы, по существу, построили MLP поверх слоев выделения при­
знаков MobileNet. Этот многослойный перцептрон можно рассматривать как новую 
верхушку MobileNet, несмотря на то что средство выделения признаков (усеченная 
MobileNet) и верхушка в данном случае представляют собой две отдельные модели 
(рис. 5.8). В результате подобной схемы из двух моделей обучать новую верхушку 
непосредственно на тензорах изображений (формы 
[numExamples,
224,
224,
3]
) 
невозможно. Следует обучать ее на вложениях изображений — выходном сигнале 

---