JavaScript для глубокого обучения 2021 TensorFlow js Ббк

тензор
— просто контейнер для данных. У любого тензора есть два 
фундаментальных свойства: тип данных (dtype) и форма. 
dtype
определяет, какие 
виды значений можно хранить в данном тензоре. Конкретный тензор способен хра­
нить ровно один вид значений. На момент написания данной книги (версия 0.13.5) 
в TensorFlow.js поддерживались следующие dtype: float32, int32 и bool.
Б
Краткое руководство 
по тензорам и операциям 
над ними в TensorFlow.js

---

550
Приложения
Форма (shape) — это массив целых чисел, определяющий количество элементов 
тензора и то, как они организованы. Ее можно считать «формой и размером» кон­
тейнера­тензора (рис. Б.1).
Рис. Б.1.
Примеры тензоров ранга 0, 1, 2, 3 и 4
Длина формы называется 
рангом
(rank) тензора. Например, ранг одномерного 
тензора 
(вектора)
равен 1. У одномерного тензора форма представляет собой мас­
сив, содержащий одно число, соответствующее длине этого одномерного тензора. 
При увеличении ранга на 1 получается двумерный тензор, который можно наглядно 
изобразить в виде сетки чисел на двумерной плоскости (в качестве примера можно 
привести изображение в оттенках серого). Форма двумерного тензора состоит из 
двух чисел, описывающих высоту и ширину этой сетки. При дальнейшем увеличении 
ранга на 1 получается трехмерный тензор. Как показано в примере на рис. Б.1, трех­
мерный тензор можно наглядно изобразить в виде трехмерной сетки чисел. Форма 
трехмерного тензора состоит из трех чисел, соответствующих размерам этой сетки 
по трем измерениям. Думаем, закономерность уже ясна. Тензоры ранга 4 (четырех­
мерные тензоры) непосредственно визуализировать сложнее, поскольку мы живем 
в трехмерном мире. Четырехмерные тензоры применяются во множестве моделей, 
например в глубоких сверточных сетях. TensorFlow.js поддерживает тензоры вплоть 
до ранга 6. На практике тензоры ранга 5 используются лишь в некоторых нишевых 
сценариях (например, при работе с видеоданными), а тензоры ранга 6 — еще реже.
Б.1.1. Скаляры (тензоры ранга 0)
Скаляр — это тензор, форма которого представляет собой пустой массив (
[]
). У него 
нет осей координат, и он содержит только одно значение. Создать новый скаляр мож­
но с помощью функции 
tf.scalar()
. В консоли JavaScript (опять же предполагая, 
что TensorFlow.js загружен и доступен под псевдонимом 
tf
), сделайте следующее:

---

Приложение Б. Краткое руководство по тензорам и операциям над ними
551
> const myScalar = tf.scalar(2018);
1
1
> myScalar.print();
Tensor
2018
> myScalar.dtype;
"float32"
> myScalar.shape;
[]
> myScalar.rank;
0
Мы создали скалярный тензор, содержащий одно значение 
2021
. Его форма — 
пустой список, как и следовало ожидать. dtype у него по умолчанию — 
"float32"
. 
Чтобы dtype был целым числом, необходимо указать дополнительный аргумент 
'int32'
при вызове функции 
tf.scalar()
:
> const myIntegerScalar = tf.scalar(2021, 'int32');
> myIntegerScalar.dtype;
"int32"
Для извлечения данных обратно из тензора можно воспользоваться асинхрон­
ным методом 
data()
. Этот метод асинхронный, поскольку в общем случае тензор 
может храниться не только в основной памяти, а, например, в GPU, в виде тексту­
ры WebGL. Извлечение значений подобных тензоров требует операций, которые 
могут не выполняться сразу же, а нам не хотелось бы, чтобы они блокировали 
основной поток выполнения JavaScript. Именно поэтому метод 
data()
— асин­
хронный. Существует также синхронная функция, предназначенная для извлечения 
значений тензоров с помощью опроса: 
dataSync()
. Этот метод удобен, но блокирует 
основной поток выполнения JavaScript, так что использовать его следует осмотри­
тельно (например, во время отладки). Лучше использовать везде, где можно, асин­
хронный метод 
data()
:
> arr = await myScalar.data();
Float32Array [2018]
> arr.length
1
> arr[0]
2018
Пример использования 
dataSync()
:
> arr = myScalar.dataSync();
Float32Array [2018]
> arr.length
1
> arr[0]
2018
1 
Обратите внимание, что ради экономии места и большей ясности мы опустили строки, 
выведенные в консоль JavaScript в результате присваиваний, поскольку они для наших 
целей неважны.

---

552
Приложения
Как видим, для тензоров типа float32 методы 
data()
и 
dataSync()
возвращают 
значения в виде типа 
Float32Array
JavaScript. Наверное, это удивит вас, особенно 
если вы ждали обычное число, но представляется логичным, если учесть, что для 
тензоров других типов может понадобиться вернуть контейнер, содержащий не­
сколько чисел. Для типа int32 и тензоров булева типа 
data()
и 
dataSync()
возвра­
щают 
Int32Array
и 
Uint8Array
соответственно.
Обратите внимание, что, хотя скаляр содержит всегда ровно один элемент, об­
ратное неверно. Тензор ранга больше 0 может также содержать ровно один элемент, 
если произведение чисел в его форме равно 1. Например, двумерный тензор формы 
[1,
1]
содержит один элемент, но обладает двумя осями координат.
Б.1.2. tensor1d (тензоры ранга 1)
Одномерные тензоры иногда называют тензорами ранга 1 или векторами. Одно­
мерный тензор включает ровно одну ось координат, а его форма — массив длиной 1. 
Следующий код создает вектор в консоли:
> const myVector = tf.tensor1d([-1.2, 0, 19, 78]);
> myVector.shape;
[4]
> myVector.rank;
1
> await myVector.data();
Float32Array(4) [-1.2, 0, 19, 78]
Этот одномерный тензор содержит четыре элемента, а потому его можно на­
звать четырехмерным вектором. Не путайте четырехмерный