JavaScript для глубокого обучения 2021 TensorFlow js Ббк

(без квантования)
16-битное 
квантование
8-битное 
квантование
Цены на калифорнийскую 
недвижимость: 
MLP­регрессор
MAE
1
= 0,311984
MAE = 0,311983
MAE = 0,312780
MNIST: сверточная сеть
Безошибочность = 
= 0,9952
Безошибочность = 
= 0,9952
Безошибочность = 
= 0,9952
Fashion­MNIST: сверточная 
сеть
Безошибочность = 
= 0,922
Безошибочность = 
= 0,922
Безошибочность = 
= 0,9211
Подмножество ImageNet 
из 1000 изображений
Безошибочность
1
= 
= 0,618.
Безошибочность
5
= 
= 0,788
Безошибочность
1
= 
= 0,624.
Безошибочность
5
= 
= 0,789
Безошибочность
1
= 
= 0,280.
Безошибочность
5
= 
= 0,490
Второй сценарий в примере квантования основан на хорошо знакомом нам на­
боре данных MNIST и архитектуре глубоких сверточных сетей. Подобно экспери­
менту с ценами на недвижимость, мы можем обучить исходную модель и произвести 
оценку на ее квантованных версиях с помощью следующих команд:
yarn train-mnistyarn quantize-and-evaluate-mnist
Как демонстрирует вторая строка табл. 12.1, ни 16­битное, ни 8­битное кванто­
вание практически не влияет на степень безошибочности модели на контрольном 
наборе данных. Дело в том, что наша сверточная сеть представляет собой много­
классовый классификатор, так что небольшие изменения выходных значений ее 
слоя могут не влиять на окончательный результат классификации, получаемый 
с помощью операции 
argMax()
.
Можно ли считать, что это характерно для всех ориентированных на обработку 
изображений многоклассовых классификаторов? Даже простая сверточная сеть из 
этого примера достигает почти идеальной степени безошибочности. А как квантова­
ние влияет на безошибочность модели при более сложных задачах классификации 
изображений? Для ответа на этот вопрос рассмотрим еще два сценария в данном 
примере квантования.
Fashion­MNIST, с которой мы сталкивались в посвященной вариационным 
автокодировщикам разделе в главе 10, — более сложная задача, по сравнению 
с MNIST. С помощью следующих команд вы можете обучить модель на наборе 
1 
Функция потерь на основе MAE используется в модели цен на калифорнийскую не­
движимость. В отличие от степени безошибочности, чем ниже MAE — тем лучше.

---