JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
2.
4.1. Выясняем смысл усвоенных весов
Созданная нами в разделе 2.3 простая модель линейной регрессии усвоила 13 па­
раметров, содержащихся в ядре и смещении, аналогично нашей первой линейной 
модели из подраздела 2.1.3:
выходной_сигнал = ядро · признаки + смещение
Значения ядра и смещения усваиваются в ходе обучения модели. В отличие от 
усвоенной в подразделе 2.1.3 
скалярной
линейной функции здесь признаки и ядро — 
векторы
, а символ «
·
» означает 
внутреннее произведение
(inner product) — обобще­
ние понятия скалярного умножения на векторы. Внутреннее произведение (назы­
ваемое часто 
скалярным произведением векторов
(dot product)) равно просто сумме 
произведений соответствующих элементов векторов. Более точное определение 
внутреннего произведения приведено в псевдокоде в листинге 2.16.
Листинг 2.16.
Псевдокод внутреннего произведения
function innerProduct(a, b) {
output = 0;
for (let i = 0 ; i < a.length ; i++) {
output += a[i] * b[i];
}
return output;
}
Из этого следует, что между элементами вектора признаков и элементами ядра 
существует взаимосвязь. Каждому из элементов признаков, например, «Показатель 
преступности» или «Концентрация окиси азота», перечисленных в табл. 2.1, в ядре 
соответствует усвоенное число. Каждое значение рассказывает нам о том, 
что
модель 
узнала про этот признак и как он влияет на выходной сигнал.
Например, если модель усвоила, что 
kernel[i]
больше нуля, значит, выходной 
сигнал увеличивается при росте значения 
feature[i]
. И наоборот, если модель 
усвоила, что 
kernel[i]
меньше нуля, значит, чем больше значение 
feature[i]
, тем 
меньше будет предсказываемый выходной сигнал. Очень маленькое усвоенное зна­
чение указывает на то, что модель считает влияние соответствующего признака на 
предсказание ничтожным, а очень большое — что модель придает этому признаку 
существенный вес и относительно небольшие изменения значения признака сильно 
повлияют на предсказание
1
.
Чтобы конкретизировать эти рассуждения, приведем на рис. 2.13 первые пять, 
по абсолютному значению, признаков, усвоенных за один проход нашего примера 
с ценами на бостонскую недвижимость. Во время последующих проходов, вероятно, 
будут усвоены другие значения вследствие случайности начальных значений. Как 
видим, значения отрицательны для тех признаков, которые должны по логике от­
1 
Обратите внимание, что подобное сравнение порядков величин возможно лишь в случае 
нормализации признаков, которую для набора данных Boston­housing мы выполнили.

---