JavaScript для глубокого обучения 2021 TensorFlow js Ббк

228
Часть II • Введение в TensorFlow.js
Рис. 5.14.
Модель обнаружения объектов и
лежащая в
ее основе пользовательская функция потерь. Код формирования модели 
(слева)
вы 
можете найти в
листинге
5.9. Описание этой пользовательской функции потерь
— в
листинге
5.10

---

Глава 5. Перенос обучения: переиспользование предобученных нейронных сетей
229
Листинг 5.10.
Описание пользовательской функции потерь для задачи обнаружения объектов
Наша пользовательская функция потерь получает на входе 
yTrue
и масштаби­
рует его первый столбец (индикатор 0­1 формы целевого объекта) в соответствии 
с 
CANVAS_SIZE
, оставляя остальные столбцы неизменными. Далее она вычисляет 
среднеквадратичную погрешность (MSE) между значением 
yPred
и масштабиро­
ванным 
yTrue
. Зачем мы масштабируем 0­1­метку формы целевого объекта в 
yTrue
? 
Нам хотелось бы, чтобы выдаваемое моделью число отражало ее предсказание 
относительно формы целевого объекта — прямоугольник или треугольник. Если 
точнее, она выдает на выходе близкое к 0 число в случае треугольника и близкое 
к 
CANVAS_SIZE
(224) число в случае прямоугольника. Так что во время вывода мож­
но просто сравнить первое значение из выходного сигнала модели с 
CANVAS_SIZE/2
(112), чтобы узнать, что предсказывает модель — форма объекта больше напоминает 
треугольник или прямоугольник. Вопрос в том, как оценить безошибочность этого 
предсказания формы целевого объекта и придумать функцию потерь. Наш ответ на 
этот вопрос: вычислить разницу между возвращаемым числом и индикатором 0­1, 
умноженным на 
CANVAS_SIZE
.
Почему мы используем этот метод, а не бинарную перекрестную энтропию, как 
в примере с обнаружением фишинговых сайтов в главе 3? Дело в том, что здесь не­
обходимо вычислять две метрики безошибочности: одну для предсказания формы 
целевого объекта, а вторую — для предсказания ограничивающего прямоугольника. 
Вторая задача требует предсказания непрерывных значений, ее можно считать 
задачей регрессии. Поэтому естественно будет выбрать для ограничивающих 
прямоугольников метрику MSE. Чтобы сочетать ее с другой метрикой, мы «при­
творяемся», что предсказание формы целевого объекта — тоже задача регрессии. 
Эта уловка позволяет нам использовать одну функцию метрики (вызов 
tf.met-
ric.me anSquaredError()
в листинге 5.10) для инкапсуляции функции потерь для 
обоих предсказаний.
Но зачем масштабировать индикатор 0­1 относительно 
CANVAS_SIZE
? Если этого 
не сделать, модель в итоге будет генерировать числа в интервале 0–1 в качестве ин­
дикатора того, предсказывает ли модель, что форма целевого объекта — треугольник 
(ближе к 0) или прямоугольник (ближе к 1). Разница между числами в интервале 
[0,
1]
, безусловно, намного меньше, чем разницы между координатами настоящего 
ограничивающего прямоугольника и предсказанных ограничивающих прямоуголь­
ников, расположенными в диапазоне от 0 до 224. В результате сигнал рассогласова­
ния от предсказания формы объекта будет совершенно незаметным по сравнению 
с сигналом рассогласования от предсказания ограничивающего прямоугольника, 

---

230