JavaScript для глубокого обучения 2021 TensorFlow js Ббк

нормированному
нормальному распреде­
лению (unit normal distribution): нормальному распределению с математическим 
ожиданием = 0 и среднеквадратичным отклонением = 1. Например:
> const x = tf.randomNormal([2, 3]);
> x.print():
Tensor
[[-0.2772508, 0.63506 , 0.3080665],
[0.7655841 , 2.5264773, 1.142776 ]]
При потребности в отличных от используемых по умолчанию математическом 
ожидании или среднеквадратичном отклонении можно указать их в качестве вто­
рого и третьего входных аргументов соответственно. Например, следующий вызов 
создает тензор, в котором элементы подчиняются нормальному распределению 
с математическим ожиданием = –20 и среднеквадратичным отклонением = 0,6:
> const x = tf.randomNormal([2, 3], -20, 0.6);
> x.print();
Tensor
[[-19.0392246, -21.2259483, -21.2892818],
[-20.6935596, -20.3722878, -20.1997948]]
1 
Для тех читателей, которые хорошо разбираются в статистике: значения элементов неза­
висимы друг от друга.

---

Приложение Б. Краткое руководство по тензорам и операциям над ними
561
С помощью функции 
tf.randomUniform()
можно создавать случайные тензоры 
с равномерно распределенными значениями элементов. По умолчанию равномерное 
распределение — нормированное, то есть его нижняя граница равна 0, а верхняя 
граница — 1:
> const x = tf.randomUniform([3, 3]);
> x.print();
Tensor
[[0.8303654, 0.3996494, 0.3808384],
[0.0751046, 0.4425731, 0.2357403],
[0.4682371, 0.0980235, 0.7004037]]
Если же требуется, чтобы элементы подчинялись ненормированному равномер­
ному распределению, можно указать нижнюю и верхнюю границы в виде второго 
и третьего аргументов функции 
tf.randomUniform()
соответственно. Например:
> const x = tf.randomUniform([3, 3], -10, 10);
создает тензор, значения в котором случайно равномерно распределены по интер­
валу 
[-10,
10)
:
> x.print();
Tensor
[[-7.4774652, -4.3274679, 5.5345411 ],
[-6.767087 , -3.8834026, -3.2619202],
[-8.0232048, 7.0986223 , -1.3350322]]
Функцию 
tf.randomUniform()
можно использовать для создания тензоров типа 
int32 со случайными значениями. Это удобно при необходимости генерации случай­
ных меток. Например, следующий код создает вектор длиной 10, значения в котором 
случайным образом выбраны из целых чисел от 0 до 100 (интервал 
[0,
100)
):
> const x = tf.randomUniform([10], 0, 100, 'int32');
> x.print();
Tensor
[92, 16, 65, 60, 62, 16, 77, 24, 2, 66]
Обратите внимание, что главное в этом примере — аргумент 
'int32'
. Без него 
тип значений в тензоре будет float32, а не int32.
Б.2. Основные операции над тензорами
От тензоров не было бы никакого проку, если бы над ними нельзя было произво­
дить различные операции. TensorFlow.js поддерживает множество операций над 
тензорами. Список их, вместе со всей документацией, можно найти по адресу 
https://
js.tensorflow.org/api/latest
. Описывать их все утомительно и излишне. Поэтому мы лишь 
приведем примеры чаще всего используемых из них. Наиболее используемые опе­
рации над тензорами делятся на два типа: унарные и бинарные. 
Унарная
операция 
получает на входе один тензор и возвращает также один тензор, а 
бинарная
получает 
на входе два тензора и возвращает новый тензор.

---

562
Приложения
Б.2.1. Унарные операции
Рассмотрим операцию получения отрицательного тензора для данного, то есть тен­
зора, все значения элементов которого отрицательны по отношению к соответству­
ющим элементам исходного тензора, — и формирования нового тензора такой же 
формы и с таким же dtype. Сделать это можно с помощью функции 
tf.neg()
:
> const x = tf.tensor1d([-1, 3, 7]);
> const y = tf.neg(x);
> y.print();
Tensor
[1, -3, -7]
Функциональные API и цепочечные API
В предыдущем примере мы вызвали функцию 
tf.neg()
с тензором 
x
в качестве аргу­
мента. TensorFlow.js позволяет описывать математически эквивалентную операцию 
более лаконично, с помощью метода 
neg()
самого объекта тензора, вместо функции 
из пространства имен 
tf.*
:
> const y = x.neg();
В таком простом примере мы, кажется, не так уж много сэкономили кода благо­
даря этому новому API. Впрочем, в случаях, когда применяется одна операция за 
другой, второй вариант API демонстрирует значительное превосходство над первым. 
Например, представьте себе гипотетический алгоритм, в котором необходимо найти 
отрицательный к 
x
тензор, затем вычислить обратный (тензор, в котором каждый 
элемент равен 1, деленной на соответствующий элемент исходного) к полученному 
тензору и применить к нему функцию активации ReLU. Для реализации указанного 
алгоритма с помощью первого API понадобится следующий код:
> const y = tf.relu(tf.reciprocal(tf.neg(x)));
Напротив, при использовании второго API код выглядит так:
> const y = x.neg().reciprocal().relu();
Вторая реализация превосходит первую в нескольких аспектах.
z
z
Необходимо набрать меньше символов кода, а потому меньше и вероятность 
ошибиться в нем.
z
z
Не нужно заботиться о правильном числе вложенных пар открывающихся и за­
крывающихся скобок (хотя большинство современных редакторов кода значи­
тельно упрощает это для разработчика).
z
z
Что важнее, порядок указания методов в коде соответствует порядку соответству­
ющих математических операций (обратите внимание, что в первом варианте по­
рядок операций — обратный). Благодаря этому удобочитаемость кода во втором 
варианте выше.
Мы будем называть первый API