JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
в нем может говориться: «Впрочем, этот фильм хуже других лент, основанных 
на той же идее». К этому моменту первоначальная похвала уже должна более 
или менее забыться, поскольку именно продолжение обзора должно обладать 
бо
'
льшим весом при окончательном определении его тональности.
Вот так, если описывать очень грубо и в общих чертах, работает GRU. Важно 
помнить, что внутренняя структура GRU дает возможность RNN усваивать, когда 
следует переносить старое состояние, а когда обновлять состояние информацией 
из входных сигналов. Это обучение олицетворяется обновлением настраиваемых 
весовых коэффициентов 
W
z
, 
U
z
, 
W
r
, 
U
r
, 
W
и 
U
(помимо опущенного тут члена сме­
щения).
Не волнуйтесь, если вам пока что не все ясно. В конце концов, интуитивное объ­
яснение GRU, приведенное в нескольких предыдущих абзацах, не так уж важно. 
Понимание во всех подробностях обработки последовательных данных с помощью 
GRU не требуется обычному инженеру, так же как ему не нужно понимать все ню­
ансы преобразования сверточной сетью входного изображения в выходные вероят­
ности классов. Найденные нейронной сетью в пространстве гипотез подробности 
в точности отражаются структурой данных RNN в ходе ориентированного на данные 
процесса обучения.
Для применения GRU к задаче предсказания температуры создадим модель 
TensorFlow.js, включающую слой GRU (листинг 9.4). Используемый для этого код 
(вырезан из 
jena-weather/train-rnn.js
) практически идентичен взятому нами для 
модели simpleRNN (см. листинг 9.2). Единственное отличие — тип первого слоя 
модели (GRU вместо simpleRNN).
Листинг 9.4.
Создание GRU-модели для задачи предсказания температуры Jena-weather
Для запуска обучения GRU­модели на наборе данных Jena­weather выполните:
yarn train-rnn --modelType gru
На рис. 9.5 показаны кривые потерь на обучающем и проверочном наборах 
данных, полученные при использовании модели на основе GRU. Ее наилучшая по­
грешность при проверке равна примерно 0,266 — это лучше, чем у модели на основе 
simpleRNN в предыдущем разделе (0,271). Этот результат отражает бо
'
льшие раз­
решающие возможности GRU в смысле усвоения последовательных закономерно­
стей по сравнению с simpleRNN. А в показаниях метеорологических инструментов, 
безусловно, скрыты связанные с упорядоченностью закономерности, позволяющие 
повысить степень безошибочности предсказания температуры, GRU эту информа­

---