JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
с проверки предсказаний для конкретных точек данных. Возможно, у вас найдутся 
какие­нибудь очевидные примеры данных для тестирования. Например, в случае 
программы для обнаружения объектов входное изображение с красивым большим 
котом должно быть отмечено как таковое; в случае средства анализа тональностей 
фрагмент текста с явно отрицательным отзывом покупателя должен также быть 
маркирован соответствующим образом. Подобные «правильные ответы» на задан­
ные входные сигналы модели мы будем называть 
«золотыми значениями»
(golden 
values). Если слепо следовать парадигме традиционного модульного тестирования, 
легко попасть в ловушку тестирования обученных моделей машинного обучения 
на «золотых значениях». В конце концов, мы хотели бы, чтобы хорошо обученное 
средство обнаружения объектов всегда отмечало изображение кошки как изображе­
ние кошки, правда? Не совсем. Тестирование на основе «золотых значений» может 
привести к проблемам при машинном обучении, поскольку при этом мы посягаем на 
разбиение набора данных на обучающий, проверочный и контрольный.
При наличии представительной выборки для обучающего и контрольного на­
боров данных и подходящей целевой метрики (безошибочность, полнота и т. д.) 
почему один пример данных должен считаться правильнее другого? При обучении 
модели МО важна степень безошибочности на обучающем и контрольном наборах 
данных в целом. Предсказания для отдельных примеров данных могут варьировать­
ся в зависимости от выбранных гиперпараметров и начальных значений весовых 
коэффициентов. Если у вас есть примеры данных, которые обязательно необходи­
мо классифицировать правильно и которые легко выявить, то почему бы не найти 
их прежде, чем требовать от модели МО их классифицировать и не обработать их 
с помощью обычного кода, не использующего машинное обучение? Подобные при­
меры данных порой применяются в системах обработки естественного языка, где 
подмножество входных запросов (например, часто встречающиеся и легко выявля­
емые запросы) автоматически перенаправляются для обработки модулю, в котором 
не применяется машинное обучение, в то время как за остальные запросы отвечает 
модель машинного обучения. Помимо экономии вычислительных ресурсов, эту