JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 5. Перенос обучения: переиспользование предобученных нейронных сетей
221
Рис. 5.12.
Блок
A: кривые потерь и
безошибочности нашего примера при переносе обучения и
последующей тонкой настройке (ТН 
в 
легендах графиков). Обратите внимание на точку перегиба на стыке частей кривых для начального этапа и
тонкой настройки. Тонкая 
настройка ускоряет сокращение потерь и
рост безошибочности благодаря разблокированию нескольких верхних слоев базовой модели, 
что ведет к
росту разрешающих возможностей модели и
ее приспособляемости к
уникальным признакам в
данных, предназначенных 
для
переноса обучения. Блок
Б: кривые потерь и
безошибочности при обучении перенесенной модели в
течение такого
же числа эпох (400) 
без тонкой настройки. Обратите внимание, что без тонкой настройки функция потерь на проверочном наборе данных сходится к
большему, 
а 
безошибочность на проверочном наборе
— к
меньшему значению, по сравнению с
блоком
A. Отметим также, что итоговый показатель 
безошибочности достигает примерно 0,9 при тонкой настройке (блок
A), но застревает приблизительно на 0,85 при таком
же числе эпох 
без
тонкой настройки (блок
Б)

---

222
Часть II • Введение в TensorFlow.js
Подытожим этот раздел, посвященный переносу обучения в TensorFlow.js. 
Вы познакомились с тремя различными способами переиспользования предобучен­
ной модели для новых задач. Для удобства выбора одного из них в ваших будущих 
проектах, связанных с переносом обучения, приведем в табл. 5.1 краткую сводку 
подходов, а также достоинств и недостатков каждого из них.
Таблица 5.1.
Общая сводка трех подходов к переносу обучения в TensorFlow.js, их достоинств 
и недостатков