JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 13. Резюме, заключительные слова и дальнейшие источники информации
525
10. 
Проверка и оценка обученной модели
. Как мы обсуждали в разделе 12.1, необхо­
димо проверить модель на как можно более свежем оценочном наборе данных 
и определить, отвечает ли степень безошибочности предсказания заранее вы­
бранному критерию для промышленной эксплуатации. Кроме того, необходимо 
произвести углубленный анализ качества работы модели на различных срезах 
(подмножествах) данных, чтобы выявить нежелательные систематические ошиб­
ки и убедиться в отсутствии дискриминации (например, сильно отличающейся 
степени безошибочности на различных срезах данных)
1
. И лишь если модель 
удовлетворяет этим критериям оценки, следует переходить к последнему шагу.
11. 
Оптимизация и развертывание модели
. Выполните оптимизацию модели для 
сокращения ее размера и ускорения вывода. После чего можно произвести раз­
вертывание модели в среде, предназначенной для выдачи результатов пользова­
телю, например на веб­странице, в мобильном приложении или конечной точке 
HTTP­сервиса (см. раздел 12.3).
Это алгоритм обучения с учителем, применяемый для решения множества ре­
альных задач. В этой книге также описывались технологические процессы и других 
типов машинного обучения: переноса обучения (с учителем), обучения с подкре­
плением (RL) и генеративного глубокого обучения. Технологические процессы 
переноса обучения с учителем (глава 5) и обычного обучения с учителем совпадают, 
разве что в основе архитектуры модели и шагов обучения лежит предобученная 
модель, поэтому обучающих данных обычно нужно меньше, чем при обучении 
с нуля. Цель генеративного глубокого обучения отличается от обучения с учителем, 
а именно: необходимо создать фиктивные примеры данных, как можно больше на­
поминающие настоящие. На практике существуют методики, позволяющие свести 
обучение генеративных моделей к обучению с учителем, как мы видели в приме­
рах VAE и GAN в главе 9. Постановка задачи RL, с другой стороны, совершенно 
иная, так что и технологический процесс резко отличается — основную роль в нем 
играют среда, агент, действия, структура вознаграждений и алгоритм или типы 
используемых для решения задачи моделей. Основные понятия и алгоритмы RL 
кратко описаны в главе 11.
13.2.2. Типы моделей и слоев в TensorFlow.js: краткий 
справочник
Все многочисленные нейронные сети, описываемые в этой книге, можно разбить 
на три семейства: плотносвязные сети (называемые также многослойными пер­
цептронами (MLP)), сверточные сети и рекуррентные сети. Каждый практический 
специа лист по глубокому обучению должен быть знаком с этими основными се­
мействами сетей. Каждый из этих типов сетей подходит для своих входных данных: 
архитектура сети (MLP, сверточной или рекуррентной) кодирует определенные 
1 
Дискриминация (fairness) в машинном обучении — лишь зарождающаяся сфера исследо­
ваний; см. более подробное обсуждение по следующей ссылке: http://mng.bz/eD4Q.

---

526