码农教程 - 一技在手,衣食无忧! tools

TensorFlow 模型

❮ 上一节 下一节 ❯

TesorFlow.js

JavaScript 库

培训和部署
机器学习模型
在浏览器中

张量流模型

楷模和层数是重要的组成部分机器学习。

对于不同的机器学习任务，您必须将不同类型的层组合到一个模型中，该模型可以使用数据进行训练以预测未来值。

TensorFlow.js 支持不同类型楷模以及不同类型的层数。

TensorFlow模型是一个神经网络与一个或多个层数。

张量流项目

Tensorflow 项目具有以下典型工作流程：

  • 收集数据
  • 创建模型
  • 向模型添加层
  • 编译模型
  • 训练模型
  • 使用模型

示例

假设您知道一个定义直线的函数：

Y = 1.2X + 5

然后您可以使用 JavaScript 公式计算任何 y 值：

y = 1.2 * x + 5;

为了演示 Tensorflow.js，我们可以训练 Tensorflow.js 模型来根据 X 输入预测 Y 值。

TensorFlow 模型不知道该函数。

// Create Training Data
const xs = tf.tensor([0, 1, 2, 3, 4]);
const ys = xs.mul(1.2).add(5);

// Define a Linear Regression Model
const model = tf.sequential();
model.add(tf.layers.dense({units:1, inputShape:[1]}));

// Specify Loss and Optimizer
model.compile({loss:'meanSquaredError', optimizer:'sgd'});

// Train the Model
model.fit(xs, ys, {epochs:500}).then(() => {myFunction()});

// Use the Model
function myFunction() {
  const xArr = [];
  const yArr = [];
  for (let x = 0; x <= 10; x++) {
    xArr.push(x);
    let result = model.predict(tf.tensor([Number(x)]));
    result.data().then(y => {
      yArr.push(Number(y));
      if (x == 10) {plot(xArr, yArr)};
    });
  }
}

亲自试一试 »

该示例解释如下：

收集数据

创建具有 5 个 x 值的张量 (xs)：

const xs = tf.tensor([0, 1, 2, 3, 4]);

创建具有 5 个正确 y 答案的张量 (ys)（将 xs 乘以 1.2 再加上 5）：

const ys = xs.mul(1.2).add(5);

创建模型

创建顺序模式：.

const model = tf.sequential();

在顺序模型中，一层的输出是下一层的输入。

添加图层

向模型添加一层致密层。

该层只有一个单位（张量），形状为 1（一维）：

model.add(tf.layers.dense({units:1, inputShape:[1]}));

在密集层中，每个节点都连接到前一层中的每个节点。

编译模型

使用meanSquaredError作为损失函数并使用sgd（随机梯度下降）作为优化器函数来编译模型：

model.compile({loss:'meanSquaredError', optimizer:'sgd'});

张量流优化器

  • Adadelta - 实现 Adadelta 算法。
  • Adagrad - 实现 Adagrad 算法。
  • Adam - 实现 Adam 算法。
  • Adamax - 实现 Adamax 算法。
  • Ftrl - 实现 FTRL 算法。
  • Nadam - 实现 NAdam 算法。
  • Optimizer - Keras 优化器的基类。
  • RMSprop - 实现 RMSprop 算法。
  • SGD - 随机梯度下降优化器。

训练模型

使用 500 次重复（epoch）训练模型（使用 xs 和 ys）：

model.fit(xs, ys, {epochs:500}).then(() => {myFunction()});

使用模型

模型训练完成后，您可以将其用于许多不同的目的。

此示例在给定 10 个 x 值的情况下预测 10 个 y 值，并调用函数在图表中绘制预测结果：

function myFunction() {
  const xArr = [];
  const yArr = [];
  for (let x = 0; x <= 10; x++) {
    let result = model.predict(tf.tensor([Number(x)]));
    result.data().then(y => {
      xArr.push(x);
      yArr.push(Number(y));
      if (x == 10) {display(xArr, yArr)};
    });
  }
}

亲自试一试 »

此示例在给定 10 个 x 值的情况下预测 10 个 y 值，并调用函数来显示这些值：

function myFunction() {
  const xArr = [];
  const yArr = [];
  for (let x = 0; x <= 10; x++) {
    let result = model.predict(tf.tensor([Number(x)]));
    result.data().then(y => {
      xArr.push(x);
      yArr.push(Number(y));
      if (x == 10) {display(xArr, yArr)};
    });
  }
}

亲自试一试 »


❮ 上一节 下一节 ❯