JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Создание объекта tf.data.Dataset на основе функции-генератора
Третий и наиболее гибкий способ создания 
tf.data.Dataset
— на основе функции­
генератора, для чего используется метод 
tf.data.generator()
. Метод принимает 
в качестве аргумента 
функцию-генератор
(
function*
1
) языка JavaScript. Если вы 
не знакомы с функциями­генераторами — относительно новой возможностью 
JavaScript, то рекомендуем потратить немного времени на чтение документации. 
Цель функции­генератора — выдавать последовательность значений по мере 
необходимости, либо в бесконечном цикле, либо пока последовательность не за­
кончится. Выдаваемые функцией­генератором значения превращаются в значе­
ния объекта 
Dataset
. Например, простейшая функция­генератор может выдавать 
случайные числа или извлекать «снимки» состояния подключенного аппаратного 
устройства. Сложные функции­генераторы могут интегрироваться в компьютер­
ные игры, выдавая снимки экрана, игровой счет, а также управлять вводом/выво­
дом. В листинге 6.3 очень простая функция­генератор выдает элементы выборки 
бросания костей.
Листинг 6.3.
Создание объекта tf.data.Dataset для случайных бросков костей
Несколько любопытных замечаний относительно объекта 
Dataset
для имитации 
игры из листинга 6.3. Во­первых, обратите внимание, что созданный здесь набор 
данных, 
myGeneratorDataset
, бесконечен. Поскольку в функции­генераторе отсут­
ствует 
return
, можно спокойно производить выборку элементов из набора данных до 
бесконечности. Выполнение для этого набора данных 
forEachAsync()
или 
toArray()
(см. подраздел 6.1.3) никогда бы не завершилось и привело бы, по всей видимости, 
1 
Узнать больше о функциях­генераторах ECMAscript вы можете по адресу http://mng.bz/
Q0rj.

---