JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
3.1. Нелинейность: что это такое и где может 
пригодиться
Давайте продолжим с того момента, на котором остановились в предыдущей главе 
при работе с примером набора данных Boston­housing. Как вы видели, обученные 
модели с одним плотным слоем дают MSE, соответствующие ошибке в оценке, 
равной примерно $5000. Можно ли улучшить этот результат? Безусловно. Чтобы 
усовершенствовать модель для набора данных Boston­housing, мы добавим в нее 
еще один плотный слой, как показано в листинге 3.1 (из файла 
index.js
примера 
Boston­housing).
Листинг 3.1.
Описание двухслойной нейронной сети для задачи предсказания цен 
на недвижимость в Бостоне
Чтобы посмотреть на эту модель в действии, сначала выполните команду 
yarn
&&
yarn
watch
, как упоминалось в главе 2. Когда веб­страница откроется, нажмите 
кнопку 
Train Neural Network Regressor (1 Hidden Layer)
(Обучить нейросетевой регрессор 
(1 скрытый слой)) в UI для запуска обучения модели.
Эта модель представляет собой двухслойную нейронную сеть. Первый слой — 
плотный, из 50 нейронов, с заданной пользователем функцией активации и на­
чальным значением для ядра, которые мы обсудим в подразделе 3.1.2. Этот слой — 
скрытый
в том смысле, что его выходной сигнал не виден непосредственно извне 
модели. Второй слой — плотный, с функцией активации по умолчанию (линейная 
функция активации) и структурно представляет собой тот же самый слой, что мы 
использовали в чисто линейной модели в главе 2. Он представляет собой 
выходной 
слой
, поскольку его выходной сигнал является и окончательным выходным сигналом 
модели, возвращаемым ее методом 
predict()
. Наверное, вы обратили внимание, 
что в названии функции в коде наша модель называется 
многослойным перцептро-
ном
(multilayer perceptron, MLP). Это распространенный термин для нейронных 
сетей с: 1) простой топологией без циклов (так называемые 
сети прямого распро-
странения
(feedforward networks)) и 2) по крайней мере одним скрытым слоем. Все 
модели, которые вы встретите в этой главе, подпадают под это определение.
Новым для нас в листинге 3.1 является вызов 
model.summary()
. Это средство диа­
гностики/визуализации, предназначенное для вывода в консоль топологии моделей 

---