JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
измерение, равное числу измерений вложений. Далее вычисляется 
внутреннее 
произведение
(умножение и сложение) входного среза и ядра слоя conv1d, дающее 
в результате один срез выходной последовательности. Эта операция повторяется 
для всех возможных позиций скольжения до тех пор, пока не будет сгенерирован 
полный выходной сигнал. Как и входной тензор слоя conv1d, полный выходной 
сигнал представляет собой последовательность, хотя и другой длины (определя­
емой длиной входной последовательности, 
kernelSize
и другими настройками 
слоя conv1d) и с другим числом измерений признаков (определяемых параметром 
filters
конфигурации слоя conv1d). Благодаря этому можно сформировать из 
нескольких идущих подряд слоев conv1d глубокую одномерную сверточную сеть 
аналогично тому, как в двумерных сверточных сетях часто размещается подряд 
несколько слоев conv2d.
Усечение последовательностей 
и дополнение их символами
Теперь, когда мы уже умеем применять слои conv1d для машинного обучения на ос­
нове текстов, готовы ли мы обучить одномерную сверточную сеть на данных IMDb? 
Не совсем. Осталось рассказать про усечение и дополнение последовательностей. 
Зачем нужны операции усечения и дополнения? Для моделей TensorFlow.js требу­
ются входные данные 
fit()
в виде тензоров, а тензор должен иметь четкую форму. 
Следовательно, хотя длины обзоров фильмов не фиксированы (напомним, что они 
могут варьироваться от 10 до 2400 слов), мы должны выбрать конкретное значение 
длины в качестве второго измерения входного тензора признаков (
maxLen
), чтобы 
получить полную форму входного тензора вида 
[numExamples,
maxLen]
. При ис­
пользовании федеративного кодирования в предыдущем разделе такой проблемы 
не было, поскольку длина последовательности не влияет на второе измерение тен­
зоров федеративного представления.
Выбор значения 
maxLen
определяется следующими соображениями.
z
z
Она должна быть достаточно велика для захвата полезной части большинства 
обзоров. Например, значение 
maxLen
=
20
, вероятно, окажется слишком маленьким 
и наиболее ценные части большинства обзоров будут отброшены.
z
z
Она не должна быть намного больше длины большинства обзоров, чтобы не рас­
ходовать память и вычислительные ресурсы впустую.
В качестве компромисса мы выбрали для этого примера значение 500 (максимум) 
слов на обзор. Оно задается с помощью флага 
--maxLen
команды обучения одно­
мерной сверточной сети:
yarn train --maxLen 500 cnn
После выбора 
maxLen
необходимо привести к ней все примеры обзоров: более 
длинные обрезать, а более короткие дополнить. Именно для этого служит функция 
padSequences()
из листинга 9.7. Существует два способа усечения слишком длинной 

---