JavaScript для глубокого обучения 2021 TensorFlow js Ббк

ядро
* sizeMB + 
смещение

---

70
Часть II • Введение в TensorFlow.js
В этом уравнении четыре члена. Два из них с точки зрения обучения модели 
фиксированы: значения 
sizeMB
и 
timeSec
определяются обучающими данными 
(см. листинг 2.1). Оставшиеся два члена, ядро и смещение, представляют собой пара­
метры модели. Их значения выбираются случайным образом при создании модели. 
Полученное на основе этих случайных значений предсказание продолжительности 
скачивания, конечно, хорошим не будет. Чтобы получить адекватные предсказания, 
необходимо найти хорошие значения ядра и смещения путем обучения модели на 
данных. Этот поиск и представляет собой 
процесс обучения
.
Рис. 2.3.
Иллюстрация простой модели линейной регрессии. Модель включает только один слой. 
Подбираемые параметры модели (веса), ядро и смещение показаны внутри плотного слоя
Для поиска хороших значений ядра и смещения (которые совокупно называются 
весами
или 
весовыми коэффициентами
) необходимы две вещи:
z
z
мера того, насколько хороши конкретные значения весов;
z
z
способ обновления значений весов, чтобы на следующем шаге модель была луч­
ше, чем на предыдущем, относительно упомянутой выше меры.
Это приводит нас к следующему шагу решения задачи линейной регрессии. Для 
подготовки сети к обучению необходимо выбрать меру и метод обновления, соответ­
ствующие двум нужным для модели элементам, перечисленным выше. Это делается 
на шаге, в терминологии TensorFlow.js, 
компиляции модели
(model compilation), для 
которого нужны:
z
z
функция потерь
(loss function) — метрика погрешности. Именно на ее основе сеть 
измеряет качество работы на обучающих данных и определяет, в каком направле­
нии двигаться дальше. При обучении требуется возможность построения графика 
функции потерь относительно времени. Эта функция должна стремиться к нулю. 
Если модель уже долго обучается, а потери не снижаются, вероятно, она не подго­
няется к данным. В книге мы расскажем, как справиться с подобными проблемами;
z
z
оптимизатор
(optimizer) — алгоритм обновления сетью своих весов (в данном 
случае ядра и смещения) на основе данных и функции потерь.

---