Mô hình TensorFlow
TesorFlow.js
Thư viện JavaScript dành cho
Đào tạo và triển khai
mô hình học máy
trong trình duyệt
Mô hình Tensorflow
Mô hình và Lớp là các khối xây dựng quan trọng trong Học máy .
Đối với các tác vụ Học máy khác nhau, bạn phải kết hợp các loại Lớp khác nhau thành một Mô hình có thể được huấn luyện với dữ liệu để dự đoán các giá trị trong tương lai.
TensorFlow.js đang hỗ trợ các loại Mô hình khác nhau và các loại Lớp khác nhau.
Mô hình TensorFlow là một Mạng thần kinh có một hoặc nhiều Lớp .
Một dự án Tensorflow
Một dự án Tensorflow có quy trình công việc điển hình này:
- Thu thập dữ liệu
- Tạo một mô hình
- Thêm lớp vào mô hình
- Biên dịch mô hình
- Đào tạo người mẫu
- Sử dụng mô hình
Thí dụ
Suppose you knew a function that defined a strait line:
Y = 1.2X + 5
Then you could calculate any y value with the JavaScript formula:
y = 1.2 * x + 5;
To demonstrate Tensorflow.js, we could train a Tensorflow.js model to predict Y values based on X inputs.
The TensorFlow model does not know the function.
// 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)};
});
}
}
The example is explained below:
Collecting Data
Create a tensor (xs) with 5 x values:
const xs = tf.tensor([0, 1, 2, 3, 4]);
Create a tensor (ys) with 5 correct y answers (multiply xs with 1.2 and add 5):
const ys = xs.mul(1.2).add(5);
Creating a Model
Create a sequential mode:.
const model = tf.sequential();
In a sequential model, the output from one layer is the input to the next layer.
Adding Layers
Add one dense layer to the model.
The layer is only one unit (tensor) and the shape is 1 (one dimentional):
model.add(tf.layers.dense({units:1, inputShape:[1]}));
in a dense the layer, every node is connected to every node in the preceding layer.
Compiling the Model
Compile the model using meanSquaredError as loss function and sgd (stochastic gradient descent) as optimizer function:
model.compile({loss:'meanSquaredError', optimizer:'sgd'});
Tensorflow Optimizers
- Adadelta -Implements the Adadelta algorithm.
- Adagrad - Implements the Adagrad algorithm.
- Adam - Implements the Adam algorithm.
- Adamax - Implements the Adamax algorithm.
- Ftrl - Implements the FTRL algorithm.
- Nadam - Implements the NAdam algorithm.
- Optimizer - Base class for Keras optimizers.
- RMSprop - Implements the RMSprop algorithm.
- SGD - Stochastic Gradient Descent Optimizer.
Training the Model
Train the model (using xs and ys) with 500 repeats (epochs):
model.fit(xs, ys, {epochs:500}).then(() => {myFunction()});
Using the Model
After the model is trained, you can use it for many different purposes.
This example predicts 10 y values, given 10 x values, and calls a function to plot the predictions in a graph:
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)};
});
}
}
This example predicts 10 y values, given 10 x values, and calls a function to display the values:
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)};
});
}
}