JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 10. Генеративное глубокое обучение
403
Рис.
 10.7.
Схематическая иллюстрация реализации V
AE в
T
ensorFlow
.js, включая внутреннее устройство кодировщика и
декодировщика, 
а 
также пользовательской функции потерь и
оптимизатора, участвующих в
обучении V
AE

---

404
Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Код в листинге 10.5 создает декодировщик. Его топология проще, чем у коди­
ровщика: для преобразования входного z­вектора в изображение той же формы, что 
и входной сигнал кодировщика, используется MLP. Учтите, что наш VAE обраба­
тывает изображения несколько упрощенным и нестандартным образом, схлопывая 
изображения в одномерные векторы, а потому отбрасывая пространственную инфор­
мацию. В ориентированных на обработку изображений VAE обычно используются 
сверточные слои и слои субдискретизации, но в силу простоты наших изображений 
(их маленького размера и наличия всего одного цветового канала) для задач нашего 
примера вполне достаточно подхода со схлопыванием.
Листинг 10.5.
Декодировщик нашего VAE (выдержка из файла fashion-mnist-vae/model.js)
Для объединения кодировщика и декодировщика в единый объект 
tf.Lay-
erModel
— VAE код из листинга 10.6 извлекает третий выходной сигнал (z­вектор) 
кодировщика и пропускает его через декодировщик. Затем объединенная модель 
выдает на выходе декодированное изображение вместе с еще тремя выходными 
сигналами: 
zMean
, 
zLogVar
и z­векторами. На этом завершается описание топологии 
модели VAE. Для обучения модели нам нужны еще функция потерь и оптимизатор. 
Код в листинге 10.6 взят из файла 
fashion-mnist-vae/model.js
.
Листинг 10.6.
Объединяем кодировщик и декодировщик в VAE

---