Автоматическое определение архитектуры по данным

ml5.js — это высокоуровневая библиотека на JavaScript, обеспечивающая простой доступ к моделям машинного обучения, построенным на TensorFlow.js. Одной из ключевых возможностей является автоматическое определение архитектуры нейронной сети на основе предоставленных данных. Это позволяет быстро создавать модели без глубокого знания архитектур и гиперпараметров.

Основные концепции

Автоматическая архитектура означает, что библиотека сама подбирает структуру сети: количество слоев, нейронов в слоях, функции активации и оптимизаторы. В ml5.js это реализовано через высокоуровневые классы вроде NeuralNetwork. Пользователь задаёт только тип задачи (классификация, регрессия), а библиотека анализирует данные и формирует базовую архитектуру.

Типы данных:

  • Числовые данные — массивы чисел или объектов, которые можно представлять в виде векторов.
  • Категориальные данные — метки классов, которые преобразуются в one-hot encoding.
  • Изображения и аудио — обрабатываются через встроенные слои предобработки и нормализации.

Типы задач:

  • Классификация — предсказание категориального выхода.
  • Регрессия — предсказание числового выхода.
  • Классификация с множественным выходом — многоклассовая классификация.

Создание модели с автоподбором архитектуры

Класс NeuralNetwork автоматически определяет размер входного слоя по количеству признаков в данных и выбирает оптимальное количество скрытых слоев в диапазоне 1–3 для большинства задач. Пример создания модели:

const options = {
  task: 'classification', // тип задачи: 'regression' или 'classification'
  debug: true             // вывод отладочной информации о модели
};

const nn = ml5.neuralNetwork(options);

После создания модели можно добавлять данные с помощью метода addData:

nn.addData({x1: 5, x2: 3}, {label: 'A'});
nn.addData({x1: 2, x2: 7}, {label: 'B'});

Метод normalizeData() автоматически масштабирует числовые признаки, что улучшает обучение:

nn.normalizeData();

Обучение с автоопределённой архитектурой

Метод train запускает процесс обучения. Библиотека использует оптимальные значения гиперпараметров, подобранные на основе анализа данных:

const trainingOptions = {
  epochs: 50,       // количество проходов по данным
  batchSize: 12     // размер мини-батча
};

nn.train(trainingOptions, finishedTraining);

function finishedTraining() {
  console.log('Обучение завершено');
}

При этом ml5.js автоматически выбирает:

  • Количество нейронов в скрытых слоях (обычно 8–64 для небольших наборов данных).
  • Функцию активации (ReLU для скрытых слоев, softmax для классификации).
  • Оптимизатор (по умолчанию adam).

Предсказание и оценка модели

После обучения модель готова к предсказаниям через classify или predict:

nn.classify({x1: 4, x2: 5}, (err, results) => {
  if (err) throw err;
  console.log(results); // вывод метки и вероятности
});

Для регрессии используется метод predict:

nn.predict({x1: 1.5, x2: 2.3}, (err, results) => {
  console.log(results); // числовой прогноз
});

ml5.js автоматически подбирает архитектуру так, чтобы сеть была достаточно глубокой для сложных закономерностей, но не избыточной для простых данных. Это снижает вероятность переобучения при небольших наборах данных.

Настройка автоматической архитектуры

Хотя библиотека подбирает базовую структуру автоматически, можно управлять ключевыми параметрами:

  • hiddenLayers — массив, задающий количество нейронов в каждом скрытом слое.
  • learningRate — скорость обучения.
  • activation — функция активации скрытых слоев.

Пример:

const options = {
  task: 'regression',
  hiddenLayers: [16, 16],  // два скрытых слоя по 16 нейронов
  learningRate: 0.01,
  debug: true
};

const nn = ml5.neuralNetwork(options);

Библиотека сочетает автоподбор с возможностью ручной настройки, что обеспечивает баланс между простотой использования и контролем над моделью.

Поддержка различных форматов данных

Автоматическое определение архитектуры в ml5.js учитывает тип входных данных:

  • Для категориальных признаков создаются отдельные выходные нейроны.
  • Для числовых признаков осуществляется нормализация и масштабирование.
  • Для комбинированных наборов данных библиотека создаёт гибридные входные слои, объединяя признаки в единый вектор.

Преимущества автоподбора архитектуры

  • Быстрое создание прототипов без глубоких знаний нейронных сетей.
  • Минимизация ошибок при выборе числа слоев и нейронов.
  • Оптимизация работы с различными типами данных.
  • Поддержка интерактивных приложений на JavaScript с минимальными усилиями.

Автоматическое определение архитектуры в ml5.js делает процесс обучения нейронных сетей интуитивно понятным, ускоряет разработку и обеспечивает базовую оптимизацию гиперпараметров, сохраняя при этом гибкость для ручной настройки при необходимости.

Оглавление