JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть IV • Резюме и заключительное слово
активации и количеством нейронов, равным числу всех возможных классов. В ка­
честве функции потерь следует использовать 
binaryCrossentropy
. Для целевых при­
знаков должно использоваться k­битное федеративное кодирование (k­hot encoding):
const model = tf.sequential();
model.add(tf.layers.dense({units: 32, activation: 'relu', inputShape:
[numInputFeatures]}));
model.add(tf.layers.dense({units: 32, activation: 'relu'}));
model.add(tf.layers.dense({units: numClasses: activation: 'sigmoid'}));
model.compile({loss: 'binaryCrossentropy', optimizer: 'adam'});
Для выполнения регрессии к вектору непрерывных значений, последователь­
ность слоев должна завершаться плотным слоем с количеством нейронов, равным 
числу предсказываемых значений (часто это всего лишь одно число, скажем, цена 
объекта недвижимости или температура) и используемой по умолчанию линейной 
функцией активации. Для регрессии подходит несколько различных функций по­
терь, из которых чаще всего применяются 
meanSquaredError
и 
meanAbsoluteError
:
const model = tf.sequential();
model.add(tf.layers.dense({units: 32, activation: 'relu', inputShape:
[numInputFeatures]}));
model.add(tf.layers.dense({units: 32, activation: 'relu'}));
model.add(tf.layers.dense({units: numClasses}));
model.compile({loss: 'meanSquaredError', optimizer: 'adam'});
Сверточные сети
Сверточные слои предназначены для поиска локальных пространственных зако­
номерностей путем применения одного и того же геометрического преобразования 
к различным пространственным местоположениям (пятнам) во входном тензоре. 
В результате получаются трансляционно инвариантные представления, обеспечи­
вающие эффективность работы с данными и модульность сверточных слоев. Эта 
идея применима к пространствам произвольной размерности: одномерным (после­
довательности), двумерным (изображения или аналогичное представление прочих 
сущностей, например спектрограммы звука), трехмерным (пространственные/
объемные данные) и т. д. Для обработки последовательностей можно использовать 
слои tf.layers.conv1d, для изображений — слои conv2d, а для пространственных 
данных — conv3d.
Сверточные сети состоят из последовательностей сверточных слоев и слоев 
субдискретизации. С помощью слоев субдискретизации можно производить про­
странственную понижающую дискретизацию данных, необходимую для сохранения 
приемлемых размеров карт признаков при росте их (признаков) количества, а также 
для того, чтобы последующие слои могли «видеть» больший пространственный 
фрагмент входных изображений сверточной сети. Сверточные сети часто завершают­
ся слоем схлопывания или глобальным слоем субдискретизации, преобразующими 
карты пространственных признаков в векторы, которые затем можно обработать 
с помощью последовательности плотных слоев (MLP) для получения результатов 
классификации или регрессии.

---