JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 8. Недообучение, переобучение и универсальный процесс ML
321
охватывали несколько моментов времени — ни измерения размеров цветов в задаче 
iris­flower, ни значения 28 
×
28 пикселов изображения MNIST
1
.
Можно сказать, сейчас вы в первый раз в книге встретились с последовательными 
входными данными. В следующей главе мы более подробно обсудим вопрос созда­
ния в TensorFlow.js специализированных моделей (RNN) для последовательных 
данных, обладающих более широкими возможностями. Но здесь воспользуемся 
для поставленной задачи двумя уже известными вам типами моделей: линейными 
регрессорами и многослойными перцептронами. Таким образом мы сформируем 
фундамент для изучения RNN и получим точку отсчета для сравнения с более про­
двинутыми моделями.
Сам код, выполняющий показанный на рис. 8.1 процесс генерации данных, 
находится в файле 
jena-weather/data.js
, в функции 
getNextBatchFunction()
. 
Она интересна тем, что возвращает объект с функцией 
next()
вместо конкретного 
значения. Функция 
next()
при вызове возвращает фактические значения данных. 
А содержащий функцию 
next()
объект называется 
итератором
. Зачем использовать 
подобный обходной путь вместо написания непосредственно итератора? Во­первых, 
это соответствует спецификации «генератор/итератор» языка JavaScript
2
. Вскоре 
мы передадим его в API 
tf.data.generator()
, чтобы создать объект 
Dataset
для об­
учения модели. А этот API требует именно такой сигнатуры функции. Во­вторых, 
нам нужна возможность задавать настройки итератора; а возвращающая итератор 
функция — отличное средство, позволяющее задавать конфигурации.
Возможные опции конфигурации видны из сигнатуры функции 
getNextBatchFun-
ction()
:
getNextBatchFunction(
shuffle, lookBack, delay, batchSize, step, minIndex, maxIndex,
normalize,
includeDateTime)
Как видим, параметров настройки здесь немало. Например, с помощью аргумента 
lookBack
можно задавать длительность анализируемого периода при прогнозе по­
годы. А аргумент 
delay
позволяет указать, насколько далеко в будущее простирается 
этот прогноз. Аргументы 
minIndex
и 
maxIndex
позволяют задавать диапазон строк, 
из которых выбираются данные, и т. д.
Передавая функцию 
getNextBatchFunction()
функции 
tf.data.generator()
, мы 
преобразуем ее в объект 
tf.data.Dataset
. Как мы упоминали в главе 6, совместное 
использование объекта 
tf.data.Dataset
с методом 
fitDataset()
объекта 
tf.Model
дает возможность обучать модель даже в случае, когда данные не помещаются цели­
ком в память WebGL (или любой другой подходящий тип памяти). Объект 
Dataset
создает батч обучающих данных в GPU лишь непосредственно перед обучением. 
1 
На самом деле в задаче распознавания голосовых команд в главе 4 присутствовала после­
довательность событий, а именно последовательные кадры аудиоспектра, составляющие 
спектрограмму. Впрочем, мы рассматривали спектрограмму в целом как изображение, 
игнорируя временн
ó
е измерение данной задачи и работая с ним как с пространственным.
2 
См. веб­документацию MDN, раздел Iterators and Generators («Итераторы и генераторы»): 
http://mng.bz/RPWK.

---

322