JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 2. Приступим: простая линейная регрессия в TensorFlow.js
95
Переходя вдоль этой оси координат от первого элемента ко второму, а затем и к тре­
тьему, мы ссылаемся на различные примеры данных, в нашем случае различные объ­
екты недвижимости. Второе измерение — измерение признаков. При переходе в этом 
измерении от первого элемента ко второму мы ссылаемся на различные признаки, 
например CRIM, ZN и INDUS из табл. 2.1. При вычислении среднего значения по 
оси 0 мы усредняем по измерению примеров данных. И получаем в результате тензор 
ранга 1, в котором осталась только координата признаков со средними значениями 
каждого признака. Если же вычислять среднее значение по оси 1, мы тоже получим 
тензор ранга 1, в котором останется только координата примеров данных, а значения 
будут соответствовать среднему значению для каждого объекта недвижимости, что 
для нашего приложения смысла не имеет. Будьте внимательны с координатами, 
убедитесь, что выполняете вычисления по нужному измерению, — это очень рас­
пространенный источник ошибок.
Если у нас в этом месте создана точка останова
1
, можно воспользоваться кон­
солью JavaScript, чтобы посмотреть вычисленные средние значения. Как видим, 
средние значения очень близки к средним значениям для набора данных в целом. 
Это значит, что наша обучающая выборка была вполне репрезентативна:
> dataMean.shape
[12]
> dataMean.print();
[3.3603415, 10.6891899, 11.2934837, 0.0600601, 0.5571442, 6.2656188,
68.2264328, 3.7099338, 9.6336336, 409.2792969, 18.4480476, 12.5154343]
В следующей строке из данных вычитается среднее значение (с помощью 
tf.sub
), 
чтобы мы могли получить их центрированную версию:
const diffFromMean = data.sub(dataMean);
Если вы недостаточно внимательно следили за нашим обсуждением, то можете 
пропустить скрытую в этой строке маленькую хитрость. Видите ли, 
data
представ­
ляет собой тензор ранга 2 формы 
[333,
12]
, а 
dataMean
— тензор ранга 1 формы 
[12]
. 
Вообще говоря, вычитать тензоры различной формы нельзя. Впрочем, в данном 
случае TensorFlow использует транслирование (broadcasting) для расширения фор­
мы второго тензора фактически путем его повторения 333 раза и делает именно то, 
что нужно пользователю, не требуя явного описания. Это очень удобный трюк, но 
правила совместимости форм для транслирования довольно запутанны. Если вам 
интересны нюансы транслирования, загляните в инфобокс 2.4.
В следующих нескольких строках функции 
determineMeanAndStddev
никаких 
сюрпризов нет: 
tf.square()
возводит все элементы в квадрат, а 
tf.sqrt()
извлекает 
из них квадратный корень. Подробное описание API для этих методов можно найти 
в справочном руководстве из документации TensorFlow.js: 
https://js.tensorflow.org/api/
latest/
. На этой странице также представлены интерактивные виджеты с возможно­
стью редактирования — с их помощью вы можете поэкспериментировать над этими 
функциями с вашими значениями параметров, как показано на рис. 2.12.
1 
Инструкции по созданию точки останова в Chrome можно найти по адресу http://mng.bz/
rPQJ. Найти инструкции для Firefox, Edge и других браузеров вы можете в своей любимой 
поисковой системе, просто введя «как создать точку останова в...».

---