JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Рис. Б.3.
Трехмерный тензор данных 
для временных рядов
Рис. Б.4.
Четырехмерный тензор 
данных для изображений

---

558
Приложения
В некоторых фреймворках измерение цветовых каналов предшествует высо­
те и ширине по соглашению NCHW. Мы не станем использовать это соглашение 
в нашей книге, но не удивляйтесь, если встретите где­то тензор с формой наподобие 
[128,
3,
256,
256]
.
Видеоданные
Неформатированные видеоданные — одна из немногих разновидностей встреча­
ющихся на практике данных, для которых вам понадобятся тензоры ранга 5. Ви­
деоданные можно рассматривать как последовательность кадров, каждый из кото­
рых представляет собой цветное изображение. А поскольку подобный кадр можно 
хранить в тензоре ранга 3 
[высота,
ширина,
цветовойКанал]
, то последовательность 
кадров можно хранить в четырехмерном тензоре формы 
[кадры,
высота,
ширина,
цветовойКанал]
, а значит, батч различных изображений можно хранить в пятимерном 
тензоре формы 
[примерыДанных,
кадры,
высота,
ширина,
цветовойКанал]
.
Например, 60­секундный видеоролик из YouTube в разрешении 144 
×
256, с дис­
кретизацией четыре кадра в секунду содержит 240 кадров. Батч из четырех таких 
видеороликов можно хранить в тензоре формы 
[4,
240,
144,
256,
3]
. Суммарно 
106 168 320 значений! При dtype этого тензора 
'float32'
каждое значение зани­
мает 32 бита, так что тензор будет содержать 405 Мбайт данных. Изрядный объем! 
Встречающиеся на практике видеофайлы обычно занимают намного меньше места, 
поскольку не хранятся в float32 и обычно достаточно сильно сжаты (например, 
хранятся в формате MPEG).
Б.1.7. Создание тензоров из тензорных буферов
Мы показали, как создавать тензоры из JavaScript­массивов, с помощью таких функ­
ций, как 
tf.tensor2d()
и 
tf.tensor()
. Для этого необходимо определить значения 
всех элементов и указать их заранее в JavaScript­массиве. В некоторых случаях, 
впрочем, создавать подобные JavaScript­массивы с нуля достаточно утомительно. 
Например, пусть нам нужно создать матрицу 5 
×
5, в которой все внедиагональные 
элементы — нули, а диагональные элементы формируют нарастающий ряд данных, 
каждый элемент которого равен индексу строки (столбца) плюс 1:
[[1, 0, 0, 0, 0],
[0, 2, 0, 0, 0],
[0, 0, 3, 0, 0],
[0, 0, 0, 4, 0],
[0, 0, 0, 0, 5]]
Код создания вложенного JavaScript­массива, соответствующего этим требова­
ниям, выглядит примерно следующим образом:
const n = 5;
const matrixArray = [];
for (let i = 0; i < 5; ++i) {

---

Приложение Б. Краткое руководство по тензорам и операциям над ними
559
const row = [];
for (let j = 0; j < 5; ++j) {
row.push(j === i ? i + 1 : 0);
}
matrixArray.push(row);
}
После этого наконец можно преобразовать вложенный JavaScript­массив 
mat-
rixArray
в двумерный тензор:
> const matrix = tf.tensor2d(matrixArray);
Весьма длинный код, включающий два вложенных цикла 
for
. Можно ли как­то 
его упростить? Да, безусловно: можно воспользоваться методом 
tf.tensorBuffer()
для создания объекта 
TensorBuffer
. Элементы объекта 
TensorBuffer
можно задавать 
по индексам и менять их значения с помощью метода 
set()
, в отличие от тензорных 
объектов в TensorFlow.js, значения элементов которых — 
неизменяемые
(immutable). 
По завершении задания значений всех нужных элементов 
TensorBuffer
можно легко 
преобразовать 
TensorBuffer
в настоящий тензорный объект с помощью его метода 
toTensor()
. Следовательно, новый код, использующий метод 
tf.tensorBuffer()
для 
создания такого же тензора, как и в предыдущем коде, будет иметь вид:
Таким образом, благодаря методу 
tf.tensorBuffer()
число строк снизилось 
с десяти до пяти.
Б.1.8. Создание тензоров, содержащих одних нули 
и одни единицы
Очень часто бывает нужно создать тензор заданной формы, все элементы которого 
равны 0. Для этого предназначена функция 
tf.zeros()
. При ее вызове необходимо 
указать желаемую форму тензора в качестве аргумента:
> const x = tf.zeros([2, 3, 3]);
> x.print();
Tensor
[[[0, 0, 0],
[0, 0, 0],
[0, 0, 0]],
[[0, 0, 0],
[0, 0, 0],
[0, 0, 0]]]

---

560
Приложения
Тензор был создан с dtype по умолчанию (float32). Для создания содержащих 
одни нули тензоров с другими dtype необходимо указать dtype в качестве второго 
аргумента функции 
tf.zeros()
.
Кроме того, существует функция 
tf.zerosLike()
, с помощью которой можно 
создать содержащий одни нули тензор с такой же формой и dtype, как и уже суще­
ствующий. Например, вызов:
> const y = tf.zerosLike(x);
эквивалентен:
> const y = tf.zeros(x.shape, x.dtype);
но более лаконичен.
Аналогичные методы существуют для создания тензоров, в которых все элемен­
ты равны 1: 
tf.ones()
и 
tf.onesLike()
.
Б.1.9. Создание тензоров со случайными значениями
Во многих случаях может пригодиться возможность создавать тензоры со случай­
ными значениями, например, для инициализации весовых коэффициентов. Чаще 
всего для этой цели применяются функции 
tf.randomNormal()
и 
tf.randomUniform()
. 
Синтаксис у этих двух функций схожий, различаются только вероятностные распре­
деления значений элементов. Как ясно из названия, 
tf.randomNormal()
возвращает 
тензоры, в которых элементы подчиняются нормальному (гауссовому) распределе­
нию
1
. При вызове этой функции только с одним аргументом — формой, получится 
тензор, элементы которого подчиняются