134    Глава 3. Введение в Keras и TensorFlow

КРАТКИЕ ИТОГИ ГЛАВЫ

.TensorFlow.—.мощный.фреймворк.для.числовых.вычислений,.который.может. работать.на.CPU,.GPU.или.TPU..Он.способен.автоматически.вычислять. градиент.любого.дифференцируемого.выражения,.распределять.работу.среди. множества.устройств.и.экспортировать.программы.в.различные.внешние. среды.выполнения.—.даже.в.JavaScript.

.Keras.—.стандартная.библиотека,.используемая.для.глубокого.обучения.с.по- мощью.TensorFlow..Именно.ее.мы.будем.применять.в.этой.книге.

.К.ключевым.компонентам.TensorFlow.относятся.тензоры,.переменные,.тензорные.операции.и.объект.GradientTape.

.Центральный.класс.в.библиотеке.Keras.—.Layer .(представляющий.слой).. Слой.инкапсулирует.веса.и.вычисления..Из.слоев.конструируются.модели.

.Прежде.чем.начать.обучение.модели,.нужно.выбрать.оптимизатор,.функцию потерь.и.метрики.и.передать.их.методу.model.compile().

.Для.обучения.модели.можно.использовать.метод.fit(),.который.производит. обучение.методом.градиентного.спуска.на.мини-пакетах..Он.также.будет. полезен.для.оценки.величины.потерь.и.метрик.на.проверочных данных.—.вы- борке.из.исходных.данных,.которая.не.участвует.в.процессе.обучения.модели.

.После.обучения.модель.можно.использовать.для.вычисления.прогнозов,. вызывая.ее.метод.model.predict() .с.новыми.входными.данными.

Начало4работы с нейронными сетями:

классификация и регрессия

В этой главе

33 Первые примеры решения реальных задач машинного обучения.

33 Решение задач классификации векторных данных.

33 Решение задач непрерывной регрессии для векторных данных.

Цель.данной.главы.—.помочь.вам.начать.использовать.нейронные.сети.для. решения .практических .задач..Здесь .вы .закрепите .знания, .приобретенные. в.главах.2.и.3,.и.примените.их.в.трех.новых.задачах,.охватывающих.наиболее. типичные.случаи.использования.нейронных.сетей:

.в.классификации.отзывов.о.фильмах.на.положительные.и.отрицательные. (бинарная.классификация);

.в.классификации.новостных.лент.по.темам.(многоклассовая.классификация);

. в.оценке.стоимости.дома.с.учетом.данных.о.недвижимости.(регрессия).

Эти.примеры.познакомят.вас.со.всеми.этапами.процесса.машинного.обучения:. с.предварительной.обработкой.данных,.основными.принципами.выбора.архитектуры.модели.и.оценкой.модели.

136    Глава 4. Начало работы с нейронными сетями: классификация и регрессия

ГЛОССАРИЙ КЛАССИФИКАЦИИ И РЕГРЕССИИ

В классификации и регрессии используется множество специальных терминов. Некоторые из них уже встречались вам в предыдущих примерах; еще больше их появится в следующих главах. Все они имеют точные, специфичные для машинного обучения определения, и вы должны знать их.

•Образец (sample), или вход (input), — один экземпляр данных, поступающий в модель.

•Прогноз, предсказание (prediction), или выход (output), — результат работы модели.

•Цель (target) — истина. То, что в идеале должна спрогнозировать модель по данным из внешнего источника.

•Ошибка прогноза (prediction error), или величина потерь (loss value), — мера расстояния между прогнозом модели и целью.

•Классы (classes) — набор меток в задаче классификации, доступных для выбора. Например, в задаче классификации изображений с кошками и собаками доступны два класса: «собака» и «кошка».

•Метка (label) — конкретный экземпляр класса в задаче классификации. Например, если изображение № 1234 аннотировано как принадлежащее классу «собака», то «собака» является меткой для изображения № 1234.

•Эталоны (ground-truth), или аннотации (annotations), — все цели для набора данных, обычно собранные людьми.

•Бинарная классификация (binary classification) — задача классификации, которая должна разделить входные данные на две взаимоисключающие категории.

•Многоклассовая классификация (multiclass classification) — задача классификации, которая должна разделить входные данные на более чем две категории. Примером может служить классификация рукописных цифр.

•Многозначная, или нечеткая, классификация (multilabel classification) — задача классификации, в которой каждому входному образцу можно присвоить несколько меток. Например, на картинке могут быть изображены кошка и собака вместе, поэтому такая картинка должна аннотироваться двумя метками: «кошка» и «собака». Количество меток, присваиваемых изображениям, обычно может меняться.

•Скалярная регрессия (scalar regression) — задача, в которой цель является скалярным числом, лежащим на непрерывной числовой прямой. Хорошим примером может служить прогнозирование цен на жилье: разные цены из непрерывного диапазона.