JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 6. Работа с данными
247
Важно отметить, что и 
Dataset.forEachAsync()
, и 
Dataset.toArray()
— асин­
хронные функции, в отличие от синхронной 
Array.forEach()
, и допустить ошибку 
здесь очень легко. 
Dataset.toArray()
возвращает промис и в общем случае требует 
ключевого слова 
await
либо 
.then()
, если от него ожидается синхронное поведение. 
Учтите, что, если забыть 
await
, промис может не разрешиться так, как нужно, что 
приведет к ошибкам в работе программы. Одна из типичных ошибок связана с тем, 
что объект 
Dataset
кажется пустым, поскольку обход его содержимого происходит 
до разрешения промиса.
Функция 
Dataset.forEachAsync()
асинхронная, в отличие от синхронной 
Array.forEach()
, вовсе не потому, что данные, к которым обращается 
Dataset
, 
приходится создавать, вычислять или получать из удаленного источника. Асин­
хронность в этом случае дает возможность эффективно использовать доступные 
вычислительные ресурсы во время ожидания. Общая сводка этих методов при­
ведена в табл. 6.2.
Таблица 6.2.
Методы обхода объекта Dataset в цикле
Метод экземпляра 
объекта tf.data.Dataset
Что делает
Пример
.toArray()
Асинхронно проходит в цикле по 
всему объекту Dataset, перемещая 
все элементы в возвращаемый затем 
массив
const a = tf.data.
array([1, 2, 3, 4, 5, 6]);
const arr = await 
a.toArray();
console.log(arr);
// 1,2,3,4,5,6
.forEachAsync(f)
Асинхронно проходит в цикле по 
всем элементам объекта Dataset, 
применяя к каждому функцию f
const a = tf.data.
array([1, 2, 3]);
await a.forEachAsync(e => 
console.log("hi " + e));
// hi 1
// hi 2
// hi 3
6.1.4. Операции над наборами данных модуля tfjs-data
Безусловно, очень удобно, если данные можно использовать в исходном виде, без 
какой­либо очистки или предварительной обработки. Но, по нашему личному 
опыту, такого 
практически
никогда
не случается, за исключением примеров, спе­
циально создаваемых в учебных целях или для оценки производительности. Чаще 
всего данные приходится каким­либо образом преобразовывать перед их анализом 
или применением в задачах машинного обучения. Например, источники данных 
нередко содержат лишние элементы, которые нужно отфильтровать. Зачастую 
данные, относящиеся к некоторым ключам, требуют разбора, десериализации или 

---

248